python dataframe保存成h5 python存储dataframe

转载

mob64ca140a1f7c 2023-12-05 16:15:18

文章标签 Python Pandas DataFrame 数学统计与筛选数组 文章分类 Python 后端开发

//此文档的目的是帮助更多初学Python的Programmers少造轮子，致力于顺藤摸瓜。因水平所限，如有缺漏以及不严谨之处，请各位多多指教。

//任何人都可以轻而易举地掌握DataFrame。你所需要的只是一个脑子，和有记事本程序的电脑。

什么是DataFrame？

首先给出官网的定义，是不是有点眼熟？

没错，它就是来源于大名鼎鼎pandas库的内建方法。

python dataframe保存成h5 python存储dataframe_Python

首先我们先搞清楚它是做什么的？在入门阶段，我们简单把它理解为一个表格型数据结构。

它含有一组有序的index，大致可看成共享同一个index的series集合。

>>> d = {'col1': [1, 2], 'col2': [3, 4]}
>>> df = pd.DataFrame(data=d)
>>> df
   col1  col2
0     1     3
1     2     4

data : numpy数组，字典或DataFrame

字典可以包括序列，数组，或长得像列表的元素。

index : 数组的列标，如上：[0,1]

如果未指定下标，则采用默认下标。

columns : 数组的行标，如上：[col1,col2]

如果未指定行标，则采用默认行标。

dtype : 强制性数据类型

只能有一种哦，也可以空着。

copy : 布尔值，默认情况下是FALSE

Copy data from inputs. Only affects DataFrame / 2d ndarray input

到这里，你就已经入门了！但如果你想继续了解一些属性，看下面吧：

T	转置索引和列。
at	访问行/列标签对的单个值。
axes	返回表示DataFrame轴的列表。
blocks	（已弃用）as_blocks（）的内部属性，属性同义词
columns	DataFrame的列标签。
dtypes	返回DataFrame中的dtypes。
empty	指示DataFrame是否为空。
ftypes	返回DataFrame中的ftypes（稀疏/密集和dtype的指示）。
iat	按整数位置访问行/列对的单个值。
iloc	纯粹基于整数位置的索引，用于按位置选择。
index	DataFrame的索引（行标签）。
ix	主要基于标签位置的索引器，具有整数位置回退。
loc	通过标签或布尔数组访问一组行和列。
ndim	返回表示轴/数组维数的int。
shape	返回表示DataFrame维度的元组。
size	返回一个int，表示此对象中的元素数。
style	返回Styler对象的属性，该对象包含用于为DataFrame构建样式化HTML表示的方法。
values	返回DataFrame的Numpy表示。

既然有了关键字，那肯定要被用到方法(Function）里：

篇幅限制，这里只提到一些比较常用的方法。

abs（）	返回具有每个元素的绝对数值的Series / DataFrame。
add（其他[，轴，级别，fill_value]）	添加数据帧和其他元素（二元运算符添加）。
add_prefix（字首）	带有字符串前缀的前缀标签。
add_suffix（后缀）	带有字符串后缀的后缀标签。
agg（func [，轴]）	使用指定轴上的一个或多个操作进行聚合。
aggregate（func [，轴]）	使用指定轴上的一个或多个操作进行聚合。
align（其他[，join，axis，level，copy，...]）	使用指定的每个轴索引的连接方法将轴上的两个对象对齐
all（[轴，bool_only，skipna，等级]）	返回是否所有元素都是True，可能是在轴上。
any（[轴，bool_only，skipna，等级]）	返回任何元素在请求的轴上是否为True。
append（其他[，ignore_index，...]）	将其他行附加到此帧的末尾，返回一个新对象。
apply（func [，axis，broadcast，raw，reduce，...]）	沿DataFrame的轴应用函数。
applymap（FUNC）	将函数元素应用于Dataframe。
as_blocks（[复制]）	（已弃用）将帧转换为dtype - >构造函数类型的dict，每个类型都具有同类dtype。
as_matrix（[列]）	（DEPRECATED）将帧转换为Numpy数组表示。
asfreq（freq [，方法，how，normalize，...]）	将TimeSeries转换为指定的频率。
asof（其中[，子集]）	获取没有任何NaN的最后一行（或者在没有NaN的情况下考虑仅使用DataFrame情况下的列子集的最后一行）
assign（** kwargs）	将新列分配给DataFrame，返回一个新对象（副本），并将新列添加到原始列中。
astype（dtype [，copy，errors]）	将pandas对象转换为指定的dtype `dtype`。

现在，尝试写一个简单的DataFrame？

举个例子，建立几款潮品笔记本的价格列表如下。

import pandas as pd#DataFrame来源于此
import numpy as np#因为numpy的数组比较好用，所以我们用np的数组方法
data=np.array([('MacBook',10200),('XPS15',15800),('Surface',6400)])#建立一个np的数组，建立一个“关键词-价格对”
frame=pd.DataFrame(data,index=range(1,4),columns=['name','price'])#建立一个以data为源的DataFrame，其行标为name和price，列标为1~3
print(frame)

直接复制这段代码于Python的IDLE，Python.org下载就可以。

如果你和我一样使用macOS，打开Terminal，输入Python并回车。

将以上代码键入即可运行~

使用Windows的朋友可以到Python.org下载一个IDLE，

同样的键入代码运行即可。

你会得到这样的运行结果：

python dataframe保存成h5 python存储dataframe_数学统计与筛选_02