pandas初级训练50练习题

紧到长不胖

2702人浏览 · 2021-01-21 23:47:23

紧到长不胖 · 2021-01-21 23:47:23 发布

Pandas初级50题练习

文章目录

Pandas初级50题练习

1.模块导入

import pandas as pd

2.查看pandas版本信息

print(pd.__version__)

1.0.1

注意
Pandas 的数据结构：Pandas 主要有 Series（一维数组），DataFrame（二维数组），Panel（三维数组），Panel4D（四维数组），PanelND（更多维数组）等数据结构。其中 Series 和 DataFrame 应用的最为广泛。

Series 是一维带标签的数组，它可以包含任何数据类型。包括整数，字符串，浮点数，Python 对象等。Series 可以通过标签来定位。
DataFrame 是二维的带标签的数据结构。我们可以通过标签来定位数据。这是 NumPy 所没有的。

3.从列表创建Series序列

ListSeries = [1,2,3,4,5,5.6]
LS3 = pd.Series(ListSeries) # 注意这里的series要大写
LS3

0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    5.6
dtype: float64

4.从Ndarray创建Series

# 这里会用到NUmpy 先导入
import numpy as np

numpy_4 = np.random.randn(5) # 这里创建一个一维Ndarray随机数组
numpy_4 

index = ['小明','小强','小刚','小王','小q']
LS4 = pd.Series(numpy_4,index = index)
LS4

小明    2.269755
小强   -1.454366
小刚    0.045759
小王   -0.187184
小斯    1.532779
dtype: float64

5.从dict创建Series

dict5 = {'AA':1,'BB':2,'CC':3,'DD':4,'EE':5}
LS5 = pd.Series(dict5)
LS5

AA    1
BB    2
CC    3
DD    4
EE    5
dtype: int64

6.修改Series索引

tip：以下是关于Series的基本操作

print(LS5) #　这里用到前面定义的第５题的数据

LS5.index = ['A','B','C','D','E']
LS5

AA    1
BB    2
CC    3
DD    4
EE    5
dtype: int64





A    1
B    2
C    3
D    4
E    5
dtype: int64

7.Series纵向拼接

print(LS5)
print(LS3)

LS7 = LS5.append(LS3)
LS7

# 顺序前后对比
LS7_1 = LS3.append(LS5)
LS7_1

A    1
B    2
C    3
D    4
E    5
dtype: int64
0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    5.6
dtype: float64





0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    5.6
A    1.0
B    2.0
C    3.0
D    4.0
E    5.0
dtype: float64

8.Series按指定索引删除元素

print(LS7) # 这里用到前面的数据

LS8 = LS7.drop('E')
LS8

A    1.0
B    2.0
C    3.0
D    4.0
E    5.0
0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    5.6
dtype: float64





A    1.0
B    2.0
C    3.0
D    4.0
0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    5.6
dtype: float64

9.Series修改指定索引的元素

print(LS7)
LS7['A'] = 100
LS7

A    1.0
B    2.0
C    3.0
D    4.0
E    5.0
0    1.0
1    2.0
2    3.0
3    4.0
4    5.0
5    5.6
dtype: float64





A    100.0
B      2.0
C      3.0
D      4.0
E      5.0
0      1.0
1      2.0
2      3.0
3      4.0
4      5.0
5      5.6
dtype: float64

10.Series按指定索引查找元素

LS7['B']

2.0

11.Series的切片操作

print(LS7)
LS7[:3] # 前3个

A    100.0
B      2.0
C      3.0
D      4.0
E      5.0
0      1.0
1      2.0
2      3.0
3      4.0
4      5.0
5      5.6
dtype: float64





A    100.0
B      2.0
C      3.0
dtype: float64

LS7[:-3] # 后3个

A    100.0
B      2.0
C      3.0
D      4.0
E      5.0
0      1.0
1      2.0
2      3.0
dtype: float64

LS7[1:4] # 中间3个

B    2.0
C    3.0
D    4.0
dtype: float64

12.Series加法运算

tip: 讲运算

这里区别以下NAN，None，Null，
NAN：Not a Number，表示不是一个数，注意一点就是 np.nan == np.nan是不同的，会返回FALSE
None：表示一个空对象，常用来占位，把它看成一个值。
Null：表示为空，不是一个值。

# Series 的加法运算是按照索引计算，如果索引不同则填充为 NaN（空值）
print(LS7)
LS7.add(LS7)

A    100.0
B      2.0
C      3.0
D      4.0
E      5.0
0      1.0
1      2.0
2      3.0
3      4.0
4      5.0
5      5.6
dtype: float64





A    200.0
B      4.0
C      6.0
D      8.0
E     10.0
0      2.0
1      4.0
2      6.0
3      8.0
4     10.0
5     11.2
dtype: float64

13.Series减法运算

LS7.sub(LS7)

A    0.0
B    0.0
C    0.0
D    0.0
E    0.0
0    0.0
1    0.0
2    0.0
3    0.0
4    0.0
5    0.0
dtype: float64

14.Series乘法运算

LS7.mul(LS7)

A    10000.00
B        4.00
C        9.00
D       16.00
E       25.00
0        1.00
1        4.00
2        9.00
3       16.00
4       25.00
5       31.36
dtype: float64

15. Series 除法运算

LS7.div(LS7)

A    1.0
B    1.0
C    1.0
D    1.0
E    1.0
0    1.0
1    1.0
2    1.0
3    1.0
4    1.0
5    1.0
dtype: float64

16. Series 求中位数

LS7.median()

4.0

17. Series 求和

LS7.sum()

134.6

18. Series 求最大值

LS7.max()

100.0

19. Series 求最小值

LS7.min()

1.0

20. 通过 NumPy 数组创建 DataFrame【DataFrame操作部分】

np.random.seed(0) # 设置一个随机种子
date_20 = pd.date_range('today',periods = 6)  # 定义时间序列作为index，行索引
datas = np.random.randn(6,4) # 传入numpy的随机数组  6行4列
columns = ['A','B','C','D'] # 定义列名
df_20 = pd.DataFrame(datas,index = date_20,columns = columns)
df_20

	A	B	C	D
2021-01-21 23:41:06.572078	1.764052	0.400157	0.978738	2.240893
2021-01-22 23:41:06.572078	1.867558	-0.977278	0.950088	-0.151357
2021-01-23 23:41:06.572078	-0.103219	0.410599	0.144044	1.454274
2021-01-24 23:41:06.572078	0.761038	0.121675	0.443863	0.333674
2021-01-25 23:41:06.572078	1.494079	-0.205158	0.313068	-0.854096
2021-01-26 23:41:06.572078	-2.552990	0.653619	0.864436	-0.742165

21. 通过字典数组创建 DataFrame

data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']
# labels = [np.arange(10)+1] #　测试代码
df21 = pd.DataFrame(data, index=labels)
df21

	animal	age	visits	priority
a	cat	2.5	1	yes
b	cat	3.0	3	yes
c	snake	0.5	2	no
d	dog	NaN	3	yes
e	dog	5.0	2	no
f	cat	2.0	3	no
g	snake	4.5	1	no
h	cat	NaN	1	yes
i	dog	7.0	2	no
j	dog	3.0	1	no

22. 查看 DataFrame 的数据类型

print(df21.dtypes) # 查看各个变量的数据类型
print(type(df21)) # 查看df21的数据类型

animal       object
age         float64
visits        int64
priority     object
dtype: object
<class 'pandas.core.frame.DataFrame'>

23.预览 DataFrame 的前 5 行数据

df21.head(5) # 5是默认的

	animal	age	visits	priority
a	cat	2.5	1	yes
b	cat	3.0	3	yes
c	snake	0.5	2	no
d	dog	NaN	3	yes
e	dog	5.0	2	no

24. 查看 DataFrame 的后 3 行数据

df21.tail(3)

	animal	age	visits	priority
h	cat	NaN	1	yes
i	dog	7.0	2	no
j	dog	3.0	1	no

25.查看 DataFrame 的索引

df21.index

Index(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'], dtype='object')

26. 查看 DataFrame 的列名

df21.columns

Index(['animal', 'age', 'visits', 'priority'], dtype='object')

27. 查看 DataFrame 的数值

df21.values

array([['cat', 2.5, 1, 'yes'],
       ['cat', 3.0, 3, 'yes'],
       ['snake', 0.5, 2, 'no'],
       ['dog', nan, 3, 'yes'],
       ['dog', 5.0, 2, 'no'],
       ['cat', 2.0, 3, 'no'],
       ['snake', 4.5, 1, 'no'],
       ['cat', nan, 1, 'yes'],
       ['dog', 7.0, 2, 'no'],
       ['dog', 3.0, 1, 'no']], dtype=object)

28. 查看 DataFrame 的统计数据

df21.describe()

	age	visits
count	8.000000	10.000000
mean	3.437500	1.900000
std	2.007797	0.875595
min	0.500000	1.000000
25%	2.375000	1.000000
50%	3.000000	2.000000
75%	4.625000	2.750000
max	7.000000	3.000000

29. DataFrame 转置操作

df21.T # 不会改变原来的df21

	a	b	c	d	e	f	g	h	i	j
animal	cat	cat	snake	dog	dog	cat	snake	cat	dog	dog
age	2.5	3	0.5	NaN	5	2	4.5	NaN	7	3
visits	1	3	2	3	2	3	1	1	2	1
priority	yes	yes	no	yes	no	no	no	yes	no	no

30. 对 DataFrame 进行按列排序

df21.sort_values(by = 'visits') # 按visits的值的升序排列

	animal	age	visits	priority
a	cat	2.5	1	yes
g	snake	4.5	1	no
h	cat	NaN	1	yes
j	dog	3.0	1	no
c	snake	0.5	2	no
e	dog	5.0	2	no
i	dog	7.0	2	no
b	cat	3.0	3	yes
d	dog	NaN	3	yes
f	cat	2.0	3	no

31. 对 DataFrame 数据切片

print(df21)
df21[1:3] # 取1，2行的所有数据，第三行取不到，默认从0开始。

  animal  age  visits priority
a    cat  2.5       1      yes
b    cat  3.0       3      yes
c  snake  0.5       2       no
d    dog  NaN       3      yes
e    dog  5.0       2       no
f    cat  2.0       3       no
g  snake  4.5       1       no
h    cat  NaN       1      yes
i    dog  7.0       2       no
j    dog  3.0       1       no

	animal	age	visits	priority
b	cat	3.0	3	yes
c	snake	0.5	2	no

32. 对 DataFrame 通过标签查询（单列）

df21['age']

a    2.5
b    3.0
c    0.5
d    NaN
e    5.0
f    2.0
g    4.5
h    NaN
i    7.0
j    3.0
Name: age, dtype: float64

df21.age # 等价的

a    2.5
b    3.0
c    0.5
d    NaN
e    5.0
f    2.0
g    4.5
h    NaN
i    7.0
j    3.0
Name: age, dtype: float64

33. 对 DataFrame 通过标签查询（多列）

df21[['age','visits']]

	age	visits
a	2.5	1
b	3.0	3
c	0.5	2
d	NaN	3
e	5.0	2
f	2.0	3
g	4.5	1
h	NaN	1
i	7.0	2
j	3.0	1

34. 对 DataFrame 通过位置查询

df21.iloc[1:3] #

	animal	age	visits	priority
b	cat	3.0	3	yes
c	snake	0.5	2	no

35. DataFrame 副本拷贝

# 生成 DataFrame 副本，方便数据集被多个不同流程使用
df35 = df21.copy()
df35

	animal	age	visits	priority
a	cat	2.5	1	yes
b	cat	3.0	3	yes
c	snake	0.5	2	no
d	dog	NaN	3	yes
e	dog	5.0	2	no
f	cat	2.0	3	no
g	snake	4.5	1	no
h	cat	NaN	1	yes
i	dog	7.0	2	no
j	dog	3.0	1	no

36. 判断 DataFrame 元素是否为空

a = df3.isnull()
a

	animal	age	visits	priority	No.
1	False	False	False	False	False
2	False	False	False	False	False
3	False	False	False	False	False
4	False	True	False	False	False
5	False	False	False	False	False
6	False	False	False	False	False
7	False	False	False	False	False
8	False	True	False	False	False
9	False	False	False	False	False
10	False	False	False	False	False
f	True	False	True	True	True

a.describe()

	animal	age	visits	priority	No.
count	11	11	11	11	11
unique	2	2	2	2	2
top	False	False	False	False	False
freq	10	9	10	10	10

37. 添加列数据

print(df35)
num = pd.Series([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], index=df35.index)

df35['No.'] = num  # 添加以 'No.' 为列名的新数据列
df35

  animal  age  visits priority
a    cat  2.5       1      yes
b    cat  3.0       3      yes
c  snake  0.5       2       no
d    dog  NaN       3      yes
e    dog  5.0       2       no
f    cat  2.0       3       no
g  snake  4.5       1       no
h    cat  NaN       1      yes
i    dog  7.0       2       no
j    dog  3.0       1       no

	animal	age	visits	priority	No.
a	cat	2.5	1	yes	0
b	cat	3.0	3	yes	1
c	snake	0.5	2	no	2
d	dog	NaN	3	yes	3
e	dog	5.0	2	no	4
f	cat	2.0	3	no	5
g	snake	4.5	1	no	6
h	cat	NaN	1	yes	7
i	dog	7.0	2	no	8
j	dog	3.0	1	no	9

38. 根据 DataFrame 的下标值进行更改

# 修改第 2 行与第 2 列对应的值 3.0 → 2.0
df3.iat[1, 1] = 2  # 索引序号从 0 开始，这里为 1, 1
df3

	animal	age	visits	priority	No.
1	cat	2.5	1.0	yes	0.0
2	cat	2.0	3.0	yes	1.0
3	snake	0.5	2.0	no	2.0
4	dog	NaN	3.0	yes	3.0
5	dog	5.0	2.0	no	4.0
6	cat	2.0	3.0	no	5.0
7	snake	4.5	1.0	no	6.0
8	cat	NaN	1.0	yes	7.0
9	dog	7.0	2.0	no	8.0
10	dog	3.0	1.0	no	9.0
f	NaN	1.5	NaN	NaN	NaN

39. 根据 DataFrame 的标签对数据进行修改

df3.loc['f', 'age'] = 1.5
df3

	animal	age	visits	priority	No.
1	cat	2.5	1.0	yes	0.0
2	cat	2.0	3.0	yes	1.0
3	snake	0.5	2.0	no	2.0
4	dog	NaN	3.0	yes	3.0
5	dog	5.0	2.0	no	4.0
6	cat	2.0	3.0	no	5.0
7	snake	4.5	1.0	no	6.0
8	cat	NaN	1.0	yes	7.0
9	dog	7.0	2.0	no	8.0
10	dog	3.0	1.0	no	9.0
f	NaN	1.5	NaN	NaN	NaN

40. DataFrame 求平均值操作

df3.mean()

age       3.111111
visits    1.900000
No.       4.500000
dtype: float64

41. 对 DataFrame 中任意列做求和操作

df3['visits'].sum()

19.0

42. 将字符串转化为小写字母：

string = pd.Series(['A', 'B', 'C', 'Aaba', 'Baca',
                    np.nan, 'CABA', 'dog', 'cat'])
print(string)
string.str.lower()

0       A
1       B
2       C
3    Aaba
4    Baca
5     NaN
6    CABA
7     dog
8     cat
dtype: object





0       a
1       b
2       c
3    aaba
4    baca
5     NaN
6    caba
7     dog
8     cat
dtype: object

43. 将字符串转化为大写字母

string.str.upper()

0       A
1       B
2       C
3    AABA
4    BACA
5     NaN
6    CABA
7     DOG
8     CAT
dtype: object

44. 对缺失值进行填充

df44 = df35.copy()
print(df44)
df44.fillna(value=3)

  animal  age  visits priority  No.
a    cat  2.5       1      yes    0
b    cat  3.0       3      yes    1
c  snake  0.5       2       no    2
d    dog  NaN       3      yes    3
e    dog  5.0       2       no    4
f    cat  2.0       3       no    5
g  snake  4.5       1       no    6
h    cat  NaN       1      yes    7
i    dog  7.0       2       no    8
j    dog  3.0       1       no    9

	animal	age	visits	priority	No.
a	cat	2.5	1	yes	0
b	cat	3.0	3	yes	1
c	snake	0.5	2	no	2
d	dog	3.0	3	yes	3
e	dog	5.0	2	no	4
f	cat	2.0	3	no	5
g	snake	4.5	1	no	6
h	cat	3.0	1	yes	7
i	dog	7.0	2	no	8
j	dog	3.0	1	no	9

45. 删除存在缺失值的行

df45 = df35.copy()
print(df45)
df45.dropna(how='any')  # 任何存在 NaN 的行都将被删除 还有all模式

  animal  age  visits priority  No.
a    cat  2.5       1      yes    0
b    cat  3.0       3      yes    1
c  snake  0.5       2       no    2
d    dog  NaN       3      yes    3
e    dog  5.0       2       no    4
f    cat  2.0       3       no    5
g  snake  4.5       1       no    6
h    cat  NaN       1      yes    7
i    dog  7.0       2       no    8
j    dog  3.0       1       no    9

	animal	age	visits	priority	No.
a	cat	2.5	1	yes	0
b	cat	3.0	3	yes	1
c	snake	0.5	2	no	2
e	dog	5.0	2	no	4
f	cat	2.0	3	no	5
g	snake	4.5	1	no	6
i	dog	7.0	2	no	8
j	dog	3.0	1	no	9

46. DataFrame 按指定列对齐

left = pd.DataFrame({'key': ['foo1', 'foo2'], 'one': [1, 2]})
right = pd.DataFrame({'key': ['foo2', 'foo3'], 'two': [4, 5]})

print(left)
print(right)

# 按照 key 列对齐连接，只存在 foo2 相同，所以最后变成一行
pd.merge(left, right, on='key')

    key  one
0  foo1    1
1  foo2    2
    key  two
0  foo2    4
1  foo3    5

	key	one	two
0	foo2	2	4

47.DataFrame 文件操作

df35.to_csv('animal.csv')
print("写入成功.")

写入成功.

48. CSV 文件读取

df_animal = pd.read_csv('animal.csv')
df_animal

	Unnamed: 0	animal	age	visits	priority	No.
0	a	cat	2.5	1	yes	0
1	b	cat	3.0	3	yes	1
2	c	snake	0.5	2	no	2
3	d	dog	NaN	3	yes	3
4	e	dog	5.0	2	no	4
5	f	cat	2.0	3	no	5
6	g	snake	4.5	1	no	6
7	h	cat	NaN	1	yes	7
8	i	dog	7.0	2	no	8
9	j	dog	3.0	1	no	9

49. Excel 写入操作

df35.to_excel('animal.xlsx', sheet_name='Sheet1')
print("写入成功.")

写入成功.

50. Excel 读取操作

pd.read_excel('animal.xlsx', 'Sheet1', index_col=None, na_values=['NA'])

	Unnamed: 0	animal	age	visits	priority	No.
0	a	cat	2.5	1	yes	0
1	b	cat	3.0	3	yes	1
2	c	snake	0.5	2	no	2
3	d	dog	NaN	3	yes	3
4	e	dog	5.0	2	no	4
5	f	cat	2.0	3	no	5
6	g	snake	4.5	1	no	6
7	h	cat	NaN	1	yes	7
8	i	dog	7.0	2	no	8
9	j	dog	3.0	1	no	9

乐奇 Rokid 开放社区

更多推荐

智能眼镜新品扎堆：AR、VR、MR到底怎么分？

乐奇 Rokid 开放社区

AI眼镜里面有晶振吗？智能眼镜的时钟系统

乐奇 Rokid 开放社区

Meta Muse 爆火：12 天下载量反超 ChatGPT，个人 AI 智能体完整使用指南

乐奇 Rokid 开放社区

所有评论(0)

查看更多评论

紧到长不胖

@weixin_43213884

已为社区贡献1条内容

pandas初级训练50练习题

紧到长不胖

Pandas初级50题练习

文章目录

1.模块导入

2.查看pandas版本信息

3.从列表创建Series序列

4.从Ndarray创建Series

5.从dict创建Series

6.修改Series索引

7.Series纵向拼接

8.Series按指定索引删除元素

9.Series修改指定索引的元素

10.Series按指定索引查找元素

11.Series的切片操作

12.Series加法运算

13.Series减法运算

14.Series乘法运算

15. Series 除法运算

16. Series 求中位数

17. Series 求和

18. Series 求最大值

19. Series 求最小值

20. 通过 NumPy 数组创建 DataFrame【DataFrame操作部分】

21. 通过字典数组创建 DataFrame

22. 查看 DataFrame 的数据类型

23.预览 DataFrame 的前 5 行数据

24. 查看 DataFrame 的后 3 行数据

25.查看 DataFrame 的索引

26. 查看 DataFrame 的列名

27. 查看 DataFrame 的数值

28. 查看 DataFrame 的统计数据

29. DataFrame 转置操作

30. 对 DataFrame 进行按列排序

31. 对 DataFrame 数据切片

32. 对 DataFrame 通过标签查询（单列）

33. 对 DataFrame 通过标签查询（多列）

34. 对 DataFrame 通过位置查询

35. DataFrame 副本拷贝

36. 判断 DataFrame 元素是否为空

37. 添加列数据

38. 根据 DataFrame 的下标值进行更改

39. 根据 DataFrame 的标签对数据进行修改

40. DataFrame 求平均值操作

41. 对 DataFrame 中任意列做求和操作

42. 将字符串转化为小写字母：

43. 将字符串转化为大写字母

44. 对缺失值进行填充

45. 删除存在缺失值的行

46. DataFrame 按指定列对齐

47.DataFrame 文件操作

48. CSV 文件读取

49. Excel 写入操作

50. Excel 读取操作

所有评论(0)

温馨提示：您尚未绑定手机号

紧到长不胖