干货：直观地解释和可视化每个复杂的 DataFrame 操作
大多数数据科学家可能会赞扬pandas进行数据准备的能力，但许多人可能无法利用所有这些能力。操作数据帧可能很快会成为一项复杂的任务，因此在pandas中的八种技术中均提供了说明，可视化，代码和技巧来记住如何做。
pandas提供了各种各样的dataframe操作，但是其中许多操作很复杂，而且似乎不太平易近人。本文介绍了8种基本的dataframe操作方法，它们涵盖了数据科学家需要知道的几乎所有操作功能。每种方法都将包括说明，可视化，代码以及记住它的技巧。
pivot
透视表将创建一个新的“透视表”，该透视表将数据中的现有列投影为新表的元素，包括索引，列和值。初始dataframe中将成为索引的列，并且这些列显示为唯一值，而这两列的组合将显示为值。这意味着pivot无法处理重复的值。
旋转名为df 的dataframe的代码 如下：
记住：pivot——是在数据处理领域之外——围绕某种对象的转向。在体育运动中，人们可以绕着脚“旋转”旋转：大熊猫的旋转类似于。原始dataframe的状态围绕dataframe的中心元素旋转到一个新元素。有些元素实际上是在旋转或变换的（例如，列“ bar ”），因此很重要。
melt
melt可以被认为是“不可透视的”，因为它将基于矩阵的数据（具有二维）转换为基于列表的数据（列表示值，行表示唯一的数据点），而枢轴则相反。考虑一个二维矩阵，其一维为“ b ”和“ c ”（列名），另一维为“ a”，“ b ”和“ c ”（行索引）。
我们选择一个id，一个维度和一个包含值的列/列。包含值的列将转换为两列：一列用于变量（值列的名称），另一列用于值（变量中包含的数字）。
结果是id列的值（a，b，c）和值列（b，c）及其对应值的每种组合，以列表格式组织。
可以像在dataframe df上一样执行mels操作 ：
记住：像蜡烛一样融化(melt)就是将凝固的复合物体变成几个更小的单个元素（蜡滴）。融合二维dataframe可以解压缩其固化的结构并将其片段记录为列表中的各个条目。
explode
是一种摆脱数据列表的有用方法。当一列爆炸时，其中的所有列表将作为新行列在同一索引下（为防止发生这种情况， 此后只需调用 .reset/_index（）即可）。诸如字符串或数字之类的非列表项不受影响，空列表是nan值（您可以使用.dropna（）清除它们 ）。
在dataframe df中explode列“ a ” 非常简单：
要记住：explode某物会释放其所有内部内容-explode列表会分隔其元素。
stack
堆叠采用任意大小的dataframe，并将列“堆叠”为现有索引的子索引。因此，所得的dataframe仅具有一列和两级索引。
堆叠名为df的表就像df.stack（）一样简单 。
为了访问狗的身高值，只需两次调用基于索引的检索，例如 df.loc ['dog']。loc ['height']。
要记住：从外观上看，堆栈采用表的二维性并将列堆栈为多级索引。
unstack
取消堆叠将获取多索引dataframe并对其进行堆叠，将指定级别的索引转换为具有相应值的新dataframe的列。在表上调用堆栈后再调用堆栈不会更改该堆栈（原因是存在“ 0 ”）。
堆叠中的参数是其级别。在列表索引中，索引为-1将返回最后一个元素。这与水平相同。级别-1表示将取消堆叠最后一个索引级别（最右边的一个）。作为另一个示例，当级别设置为0（第一个索引级别）时，其中的值将成为列，而随后的索引级别（第二个索引级别）将成为转换后的dataframe的索引。
可以按照与堆叠相同的方式执行堆叠，但是要使用level参数： df.unstack（level = -1）。
merge
合并两个dataframe是在共享的“键”之间按列（水平）组合它们。此键允许将表合并，即使它们的排序方式不一样。完成的合并dataframe 默认情况下会将后缀/_x 和 /_y添加 到value列。
为了合并两个dataframe df1 和 df2 （其中 df1 包含 leftkey， 而 df2 包含 rightkey），请调用：
合并不是pandas的功能，而是附加到dataframe。始终假定合并所在的dataframe是“左表”，在函数中作为参数调用的dataframe是“右表”，并带有相应的键。
默认情况下，合并功能执行内部联接：如果每个dataframe的键名均未列在另一个键中，则该键不包含在合并的dataframe中。另一方面，如果一个键在同一dataframe中列出两次，则在合并表中将列出同一键的每个值组合。例如，如果 df1 具有3个键foo 值， 而 df2 具有2个相同键的值，则 在最终dataframe中将有6个条目，其中 leftkey = foo 和 rightkey = foo。
记住：合并数据帧就像在水平行驶时合并车道一样。想象一下，每一列都是高速公路上的一条车道。为了合并，它们必须水平合并。
join
通常，联接比合并更可取，因为它具有更简洁的语法，并且在水平连接两个dataframe时具有更大的可能性。连接的语法如下：
使用联接时，公共键列（类似于 合并中的right/_on 和 left/_on）必须命名为相同的名称。how参数是一个字符串，它表示四种连接 方法之一， 可以合并两个dataframe：
' left '：包括df1的所有元素， 仅当其键为df1的键时才 包含df2的元素 。否则，df2的合并dataframe的丢失部分 将被标记为nan。
' right '：' left '，但在另一个dataframe上。包括df2的所有元素， 仅当其键是df2的键时才 包含df1的元素 。
“outer”：包括来自dataframes所有元素，即使密钥不存在于其他的-缺少的元素被标记为nan的。
“inner”：仅包含元件的键是存在于两个数据帧键（交集）。默认合并。
记住：如果您使用过sql，则单词“ join”应立即与按列添加相联系。如果不是，则“ join”和“ merge”在定义方面具有非常相似的含义。
concat
合并和连接是水平工作，串联或简称为concat，而dataframe是按行（垂直）连接的。例如，考虑使用pandas.concat（[df1，df2]）串联的具有相同列名的 两个dataframe df1 和 df2 ：
尽管可以通过将axis参数设置为1来使用concat进行列式联接，但是使用联接 会更容易。
请注意，concat是pandas函数，而不是dataframe之一。因此，它接受要连接的dataframe列表。
如果一个dataframe的另一列未包含，默认情况下将包含该列，缺失值列为nan。为了防止这种情况，请添加一个附加参数join ='inner'，该参数 只会串联两个dataframe共有的列。
切记：在列表和字符串中，可以串联其他项。串联是将附加元素附加到现有主体上，而不是添加新信息（就像逐列联接一样）。由于每个索引/行都是一个单独的项目，因此串联将其他项目添加到dataframe中，这可以看作是行的列表。
append是组合两个dataframe的另一种方法，但它执行的功能与concat相同，效率较低且用途广泛。
-
色环电阻数值读取方法
苹果watchOS 7.2正式版发布
预计到2021年，全球晶圆厂设备支出将创新高
HCL气体传感器在生活中有哪些应用
揭开人脸识别背后的奥秘，它都有哪些应用领域
干货：直观地解释和可视化每个复杂的 DataFrame 操作
怎样创建树莓派上的Web应用程序 并使用Flask Web Framework控制伺服电机
解决电子设备功耗？安富利有话说
12V LED与分布式恒流技术
瞬态抑制二极管为什么会有残压？是怎么产生的？
R8000C台式无线电综测仪的性能特点及应用
PLC工厂流水线的实现过程示意图
人工智能令人不安的能力：预测一个人的早逝
湖北首秀第三代国产骨科手术机器人 解决了骨科手术的三大难题
诺基亚人事大调整 成立客户体验部门
电磁流量计在并联管道流量测量中的应用
APE：对CLIP进行特征提纯能够提升Few-shot性能
什么是动力电池？它与普通电池的区别
印度招商局高层密访深圳龙华，鸿海富士康印度设厂不远了
小米6/荣耀9/一加5三款新机评测对比,你买哪一款?
pandas提供了各种各样的dataframe操作，但是其中许多操作很复杂，而且似乎不太平易近人。本文介绍了8种基本的dataframe操作方法，它们涵盖了数据科学家需要知道的几乎所有操作功能。每种方法都将包括说明，可视化，代码以及记住它的技巧。
pivot
透视表将创建一个新的“透视表”，该透视表将数据中的现有列投影为新表的元素，包括索引，列和值。初始dataframe中将成为索引的列，并且这些列显示为唯一值，而这两列的组合将显示为值。这意味着pivot无法处理重复的值。
旋转名为df 的dataframe的代码 如下：
记住：pivot——是在数据处理领域之外——围绕某种对象的转向。在体育运动中，人们可以绕着脚“旋转”旋转：大熊猫的旋转类似于。原始dataframe的状态围绕dataframe的中心元素旋转到一个新元素。有些元素实际上是在旋转或变换的（例如，列“ bar ”），因此很重要。
melt
melt可以被认为是“不可透视的”，因为它将基于矩阵的数据（具有二维）转换为基于列表的数据（列表示值，行表示唯一的数据点），而枢轴则相反。考虑一个二维矩阵，其一维为“ b ”和“ c ”（列名），另一维为“ a”，“ b ”和“ c ”（行索引）。
我们选择一个id，一个维度和一个包含值的列/列。包含值的列将转换为两列：一列用于变量（值列的名称），另一列用于值（变量中包含的数字）。
结果是id列的值（a，b，c）和值列（b，c）及其对应值的每种组合，以列表格式组织。
可以像在dataframe df上一样执行mels操作 ：
记住：像蜡烛一样融化(melt)就是将凝固的复合物体变成几个更小的单个元素（蜡滴）。融合二维dataframe可以解压缩其固化的结构并将其片段记录为列表中的各个条目。
explode
是一种摆脱数据列表的有用方法。当一列爆炸时，其中的所有列表将作为新行列在同一索引下（为防止发生这种情况， 此后只需调用 .reset/_index（）即可）。诸如字符串或数字之类的非列表项不受影响，空列表是nan值（您可以使用.dropna（）清除它们 ）。
在dataframe df中explode列“ a ” 非常简单：
要记住：explode某物会释放其所有内部内容-explode列表会分隔其元素。
stack
堆叠采用任意大小的dataframe，并将列“堆叠”为现有索引的子索引。因此，所得的dataframe仅具有一列和两级索引。
堆叠名为df的表就像df.stack（）一样简单 。
为了访问狗的身高值，只需两次调用基于索引的检索，例如 df.loc ['dog']。loc ['height']。
要记住：从外观上看，堆栈采用表的二维性并将列堆栈为多级索引。
unstack
取消堆叠将获取多索引dataframe并对其进行堆叠，将指定级别的索引转换为具有相应值的新dataframe的列。在表上调用堆栈后再调用堆栈不会更改该堆栈（原因是存在“ 0 ”）。
堆叠中的参数是其级别。在列表索引中，索引为-1将返回最后一个元素。这与水平相同。级别-1表示将取消堆叠最后一个索引级别（最右边的一个）。作为另一个示例，当级别设置为0（第一个索引级别）时，其中的值将成为列，而随后的索引级别（第二个索引级别）将成为转换后的dataframe的索引。
可以按照与堆叠相同的方式执行堆叠，但是要使用level参数： df.unstack（level = -1）。
merge
合并两个dataframe是在共享的“键”之间按列（水平）组合它们。此键允许将表合并，即使它们的排序方式不一样。完成的合并dataframe 默认情况下会将后缀/_x 和 /_y添加 到value列。
为了合并两个dataframe df1 和 df2 （其中 df1 包含 leftkey， 而 df2 包含 rightkey），请调用：
合并不是pandas的功能，而是附加到dataframe。始终假定合并所在的dataframe是“左表”，在函数中作为参数调用的dataframe是“右表”，并带有相应的键。
默认情况下，合并功能执行内部联接：如果每个dataframe的键名均未列在另一个键中，则该键不包含在合并的dataframe中。另一方面，如果一个键在同一dataframe中列出两次，则在合并表中将列出同一键的每个值组合。例如，如果 df1 具有3个键foo 值， 而 df2 具有2个相同键的值，则 在最终dataframe中将有6个条目，其中 leftkey = foo 和 rightkey = foo。
记住：合并数据帧就像在水平行驶时合并车道一样。想象一下，每一列都是高速公路上的一条车道。为了合并，它们必须水平合并。
join
通常，联接比合并更可取，因为它具有更简洁的语法，并且在水平连接两个dataframe时具有更大的可能性。连接的语法如下：
使用联接时，公共键列（类似于 合并中的right/_on 和 left/_on）必须命名为相同的名称。how参数是一个字符串，它表示四种连接 方法之一， 可以合并两个dataframe：
' left '：包括df1的所有元素， 仅当其键为df1的键时才 包含df2的元素 。否则，df2的合并dataframe的丢失部分 将被标记为nan。
' right '：' left '，但在另一个dataframe上。包括df2的所有元素， 仅当其键是df2的键时才 包含df1的元素 。
“outer”：包括来自dataframes所有元素，即使密钥不存在于其他的-缺少的元素被标记为nan的。
“inner”：仅包含元件的键是存在于两个数据帧键（交集）。默认合并。
记住：如果您使用过sql，则单词“ join”应立即与按列添加相联系。如果不是，则“ join”和“ merge”在定义方面具有非常相似的含义。
concat
合并和连接是水平工作，串联或简称为concat，而dataframe是按行（垂直）连接的。例如，考虑使用pandas.concat（[df1，df2]）串联的具有相同列名的 两个dataframe df1 和 df2 ：
尽管可以通过将axis参数设置为1来使用concat进行列式联接，但是使用联接 会更容易。
请注意，concat是pandas函数，而不是dataframe之一。因此，它接受要连接的dataframe列表。
如果一个dataframe的另一列未包含，默认情况下将包含该列，缺失值列为nan。为了防止这种情况，请添加一个附加参数join ='inner'，该参数 只会串联两个dataframe共有的列。
切记：在列表和字符串中，可以串联其他项。串联是将附加元素附加到现有主体上，而不是添加新信息（就像逐列联接一样）。由于每个索引/行都是一个单独的项目，因此串联将其他项目添加到dataframe中，这可以看作是行的列表。
append是组合两个dataframe的另一种方法，但它执行的功能与concat相同，效率较低且用途广泛。
-
色环电阻数值读取方法
苹果watchOS 7.2正式版发布
预计到2021年，全球晶圆厂设备支出将创新高
HCL气体传感器在生活中有哪些应用
揭开人脸识别背后的奥秘，它都有哪些应用领域
干货：直观地解释和可视化每个复杂的 DataFrame 操作
怎样创建树莓派上的Web应用程序 并使用Flask Web Framework控制伺服电机
解决电子设备功耗？安富利有话说
12V LED与分布式恒流技术
瞬态抑制二极管为什么会有残压？是怎么产生的？
R8000C台式无线电综测仪的性能特点及应用
PLC工厂流水线的实现过程示意图
人工智能令人不安的能力：预测一个人的早逝
湖北首秀第三代国产骨科手术机器人 解决了骨科手术的三大难题
诺基亚人事大调整 成立客户体验部门
电磁流量计在并联管道流量测量中的应用
APE：对CLIP进行特征提纯能够提升Few-shot性能
什么是动力电池？它与普通电池的区别
印度招商局高层密访深圳龙华，鸿海富士康印度设厂不远了
小米6/荣耀9/一加5三款新机评测对比,你买哪一款?