首先来一个别致的列表创建，我有印象但是从来没用过，突然发现很好用也很优雅
a=list('qwe13qaew') print(a)
运行结果
['q', 'w', 'e', '1', '3', 'q', 'a', 'e', 'w']
实际应用也很有效果，生成两个实例用于练习
df3 = pd.DataFrame(np.arange(12).reshape((3, 4)), index=['Qingdao', 'Jinan', 'Yantai'], columns=list('abcd')) df4 = pd.DataFrame(np.arange(20).reshape((4, 5)), index=['Qingdao', 'Jinan', 'Yantai', 'Linyi'], columns=list('abcde')) #这种用法很别致啊直接 print(df3) print(df4)
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 a b c d e Qingdao 0 1 2 3 4 Jinan 5 6 7 8 9 Yantai 10 11 12 13 14 Linyi 15 16 17 18 19
加法运算
print（df3 + df4 ）# 注意行列数不同的两个 DataFrame 相加行列的对齐和值填充。
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 a b c d e Qingdao 0 1 2 3 4 Jinan 5 6 7 8 9 Yantai 10 11 12 13 14 Linyi 15 16 17 18 19 ######################################### a b c d e Jinan 9.0 11.0 13.0 15.0 NaN Linyi NaN NaN NaN NaN NaN Qingdao 0.0 2.0 4.0 6.0 NaN Yantai 18.0 20.0 22.0 24.0 NaN
相当牛逼，index跟‘name’相同的直接加，不存在的用缺省值定住。
填充后的加法运算
print(df3.add(df4, fill_value=0)) # 注意无效值用 0 填充后的加法运算 print(df3.add(df4, fill_value=100))
运行结果
a b c d e Jinan 9.0 11.0 13.0 15.0 9.0 Linyi 15.0 16.0 17.0 18.0 19.0 Qingdao 0.0 2.0 4.0 6.0 4.0 Yantai 18.0 20.0 22.0 24.0 14.0 a b c d e Jinan 9.0 11.0 13.0 15.0 109.0 Linyi 115.0 116.0 117.0 118.0 119.0 Qingdao 0.0 2.0 4.0 6.0 104.0 Yantai 18.0 20.0 22.0 24.0 114.0
减法运算
s3 = df3.iloc[0] print(s3) print(df3 - s3 ) # 减法缺省是按列对齐去减，并广播至每一行。
运行结果
a 0 b 1 c 2 d 3 Name: Qingdao, dtype: int32 a b c d Qingdao 0 0 0 0 Jinan 4 4 4 4 Yantai 8 8 8 8
每一行都减去了0,1,2,3
对比一下
s4=[4,5,6,7] print(df3 - s4) # 减法缺省是按列对齐去减，并广播至每一行。
运算结果
a b c d Qingdao -4 -4 -4 -4 Jinan 0 0 0 0 Yantai 4 4 4 4
下边这个也得慢慢理解
s3 = df3['b']
通过指定轴，按行对齐去减，并广播至每一列。
s3 = df3['b'] df3.sub(s3, axis=0) # 通过指定轴，按行对齐去减，并广播至每一列。
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 Qingdao 1 Jinan 5 Yantai 9 Name: b, dtype: int32 a b c d Qingdao -1 0 1 2 #一行都减去1 Jinan -1 0 1 2 #这一行都减去5 Yantai -1 0 1 2 #这一行都减去9
求和
print(df3.sum() ) # 按行对每一列求和 print(df3.sum(axis=1)) # 按列对每一行求和 #这里就要用到对axis的理解，axis为0是垂直方向，axis为1，就是水平方向，这里不能把0,1理解成行，列，应该理解成垂直与水平
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 #上边是dfs a 12 b 15 c 18 d 21 dtype: int64 Qingdao 6 Jinan 22 Yantai 38 dtype: int64
lambda表达式处理语句
垂直方向的最大值-最小值
a=df3.apply(lambda x: x.max() - x.min()) # 按行对每一列自定义处理 print(a) #这里的行其实就是垂直方向，axis=0的意思 #lambda表达式的意思是每一列（垂直方向就是列）的最大值减去最小值
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 a 8 #8-0 b 8 #9-1 c 8 #10-2 d 8 #11-3 dtype: int64
水平方向的最大值减去最小值
a=df3.apply((lambda x: x.max() - x.min()), axis=1) # 按列对每一行自定义处理 print(a)
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 Qingdao 3 Jinan 3 Yantai 3 dtype: int64
对每一个单元应用一个处理
a=df3.applymap(lambda x: '%.2f' % x) # 对每一个单元应用一个处理 print(a) #转化成显示2位小数的浮点类型。这个我不会写，但是先记住用法，以后回来查
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 a b c d Qingdao 0.00 1.00 2.00 3.00 Jinan 4.00 5.00 6.00 7.00 Yantai 8.00 9.00 10.00 11.00
索引排序
按行索引排序 （垂直方向，index）
a=df3.sort_index() # 按行索引排序 print(a) #df.sort_index()就是按照垂直方向排序，A-Z的顺序排，j-q-y的顺序
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 a b c d Jinan 4 5 6 7 Qingdao 0 1 2 3 Yantai 8 9 10 11
按列索引倒序排序（水平倒叙排序）
a=df3.sort_index(axis=1, ascending=False) # 按列索引倒序排序 print(a) #这个ascending我得记一下，算了，我遍布下去了，反正记住就行了，ascending=False可以显示出来结果，不加的话，还显示原来的dfs #可以理解成ps一层一层的，df3的优先级是最高的，这里ascending=false 把df3的优先级给降下去了。先这么理解吧，不对的话以后再改
运行结果
a b c d Qingdao 0 1 2 3 Jinan 4 5 6 7 Yantai 8 9 10 11 d c b a Qingdao 3 2 1 0 Jinan 7 6 5 4 Yantai 11 10 9 8
这些先到这里