python用於數據處理（python數據處理方法）

本文目錄一覽：

• 1、Python 數據處理（二十四）—— 索引和選擇
• 2、python為什麼做數據分析好
• 3、數據分析 為什麼用python

Python 數據處理（二十四）—— 索引和選擇

如果你想獲取 ‘A’ 列的第 0 和第 2 個元素，你可以這樣做:

這也可以用 .iloc 獲取，通過使用位置索引來選擇內容

可以使用 .get_indexer 獲取多個索引:

警告 ：

對於包含一個或多個缺失標籤的列表，使用 .loc 或 [] 將不再重新索引，而是使用 .reindex

在以前的版本中，只要索引列表中存在至少一個有效標籤，就可以使用 .loc[list-of-labels]

但是現在，只要索引列表中存在缺失的標籤將引發 KeyError 。推薦的替代方法是使用 .reindex() 。

例如

索引列表的標籤都存在

先前的版本

但是，現在

索引標籤列表中包含不存在的標籤，使用 reindex

另外，如果你只想選擇有效的鍵，可以使用下面的方法，同時保留了數據的 dtype

對於 .reindex() ，如果有重複的索引將會引發異常

通常，您可以將所需的標籤與當前軸做交集，然後重新索引

但是，如果你的索引結果包含重複標籤，還是會引發異常

使用 sample() 方法可以從 Series 或 DataFrame 中隨機選擇行或列。

該方法默認會對行進行採樣，並接受一個特定的行數、列數，或數據子集。

默認情況下， sample 每行最多返回一次，但也可以使用 replace 參數進行替換採樣

默認情況下，每一行被選中的概率相等，但是如果你想讓每一行有不同的概率，你可以為 sample 函數的 weights 參數設置抽樣權值

這些權重可以是一個列表、一個 NumPy 數組或一個 Series ，但它們的長度必須與你要抽樣的對象相同。

缺失的值將被視為權重為零，並且不允許使用 inf 值。如果權重之和不等於 1 ，則將所有權重除以權重之和，將其重新歸一化。例如

當應用於 DataFrame 時，您可以通過簡單地將列名作為字元串傳遞給 weights 作為採樣權重（前提是您要採樣的是行而不是列）。

sample 還允許用戶使用 axis 參數對列進行抽樣。

最後，我們還可以使用 random_state 參數為 sample 的隨機數生成器設置一個種子，它將接受一個整數（作為種子）或一個 NumPy RandomState 對象

當為該軸設置一個不存在的鍵時， .loc/[] 操作可以執行放大

在 Series 的情況下，這實際上是一個追加操作

可以通過 .loc 在任一軸上放大 DataFrame

這就像 DataFrame 的 append 操作

由於用 [] 做索引必須處理很多情況（單標籤訪問、分片、布爾索引等），所以需要一些開銷來搞清楚你的意圖

如果你只想訪問一個標量值，最快的方法是使用 at 和 iat 方法，這兩個方法在所有的數據結構上都實現了

與 loc 類似， at 提供了基於標籤的標量查找，而 iat 提供了基於整數的查找，與 iloc 類似

同時，你也可以根據這些索引進行設置值

如果索引標籤不存在，會放大數據

另一種常見的操作是使用布爾向量來過濾數據。運算符包括：

|(or) 、 (and) 、 ~ (not)

這些必須用括弧來分組，因為默認情況下， Python 會將 df[‘A’] 2 df[‘B’] 3 這樣的表達式評估為 df[‘A’] (2 df[‘B’]) 3 ，而理想的執行順序是 (df[‘A’] 2) (df[‘B’] 3)

使用一個布爾向量來索引一個 Series ，其工作原理和 NumPy ndarray 一樣。

您可以使用一個與 DataFrame 的索引長度相同的布爾向量從 DataFrame 中選擇行

列表推導式和 Series 的 map 函數可用於產生更複雜的標準

我們可以使用布爾向量結合其他索引表達式，在多個軸上索引

iloc 支持兩種布爾索引。如果索引器是一個布爾值 Series ，就會引發異常。

例如，在下面的例子中， df.iloc[s.values, 1] 是正確的。但是 df.iloc[s，1] 會引發 ValueError 。

python為什麼做數據分析好

究其原因，主要有以下幾點：

①Python的語法簡單，代碼可讀性高，易於上手，有利於初學者學習;當我們處理數據時，我們希望使數據數字化並將其轉換為計算機可以操作的數字形式。我們可以直接使用一個行列表推導來完成，這非常簡單。

②Python在數據分析和交互，探索性計算和數據可視化方面擁有非常成熟的庫和活躍的社區，這使Python成為數據任務處理的重要解決方案。在數據處理和分析方面，Python具有numpy，pandas，Matplotlib，scikit-learn，IPython和其他出色的庫和工具，尤其是pandas在數據處理方面具有絕對優勢。

③Python具有很強的通用編程能力，這與別的編程語言不同。Python不僅在數據分析方面功能強大，而且在爬蟲，web，運維甚至遊戲等領域也發揮著非常重要的作用。公司只需一項技術即可完成所有服務，這有利於業務整合併可以提高工作效率。

④Python是人工智慧的首選編程語言。在人工智慧時代，Python已成為最受歡迎的編程語言。得益於Python語法簡潔，豐富的庫和社區，大多數深度學習框架都優先支持Python語言。

數據分析 為什麼用python

究其原因，主要有以下幾點：

①Python的語法簡單，代碼可讀性高，易於上手，有利於初學者學習;當我們處理數據時，我們希望使數據數字化並將其轉換為計算機可以操作的數字形式。我們可以直接使用一個行列表推導來完成，這非常簡單。

②Python在數據分析和交互，探索性計算和數據可視化方面擁有非常成熟的庫和活躍的社區，這使Python成為數據任務處理的重要解決方案。在數據處理和分析方面，Python具有numpy，pandas，Matplotlib，scikit-learn，IPython和其他出色的庫和工具，尤其是pandas在數據處理方面具有絕對優勢。

③Python具有很強的通用編程能力，這與別的編程語言不同。Python不僅在數據分析方面功能強大，而且在爬蟲，web，運維甚至遊戲等領域也發揮著非常重要的作用。公司只需一項技術即可完成所有服務，這有利於業務整合併可以提高工作效率。

④Python是人工智慧的首選編程語言。在人工智慧時代，Python已成為最受歡迎的編程語言。得益於Python語法簡潔，豐富的庫和社區，大多數深度學習框架都優先支持Python語言。