數(shù)據(jù)運算1.算術(shù)運算與對齊2.函數(shù)應(yīng)用與映射3.排序4.統(tǒng)計計算與描述1.算術(shù)運算與對齊Pandas執(zhí)行算術(shù)運算時，會先按照索引進行對齊，對齊以后再進行相應(yīng)的運算，沒有對齊的位置會用NaN進行補齊。其中，Series是按行索引進行對齊，DataFrame是按行索引、列索引對齊。常用的算術(shù)運算包括：加（+）、減（-）、乘（*）、除（/）、冪（**）。1.算術(shù)運算與對齊運行結(jié)果：Series的算術(shù)運算與對齊：01.000000e+2017.400250e+2125.520614e+233NaN4NaNdtype:float64DataFrame的算術(shù)運算與對齊：abeA0.02.0NaNCNaNNaNNaNDNaNNaNNaN示例：Series、DataFrame的算術(shù)運算與對齊。代碼：print('Series的算術(shù)運算與對齊：')ser1=pd.Series(range(10,13),index=range(3))ser2=pd.Series(range(20,25),index=range(5))print(ser1**ser2)print('DataFrame的算術(shù)運算與對齊：')data1=np.arange(6).reshape(2,3)data2=np.arange(4).reshape(2,2)df1=pd.DataFrame(data1,columns=['a','b','e'],index=['A','C'])

df2=pd.DataFrame(data2,columns=['a','b'],index=['A','D'])

print(df1+df2)2.函數(shù)應(yīng)用與映射(1)map函數(shù)。將函數(shù)套用到Series的每個元素中。Series.map(arg:Callable|Mapping|Series,na_action:Literal["ignore"]|None=None)->Series默認將NaN傳遞給arg對應(yīng)的函數(shù)，返回修改后的Series的對象，修改結(jié)果作用到原始數(shù)據(jù)。2.函數(shù)應(yīng)用與映射運行結(jié)果：onetwothreea123個b456個c789個d101112個

onetwothreea123b456c789d101112示例：將“three”列的單位去掉，并轉(zhuǎn)換為整型。代碼：df=pd.DataFrame(data=[[1,2,'3個'],[4,5,'6個'],

[7,8,'9個'],[10,11,'12個']],

index=['a','b','c','d'],

columns=['one','two','three'])

print(df)

deff(x):

returnint(x.split('個')[0])

df['three']=df['three'].map(f)

print(df)2.函數(shù)應(yīng)用與映射(2)apply函數(shù)。將函數(shù)套用到DataFrame的行與列上，行與列通過axis參數(shù)設(shè)置。DataFrame.apply(func:AggFuncType,axis:Axis=0,raw:bool=False,result_type:Literal["expand","reduce","broadcast"]|None=None,args=(),by_row:Literal[False,"compat"]="compat",engine:Literal["python","numba"]="python",engine_kwargs:dict[str,bool]|None=None,**kwargs)2.函數(shù)應(yīng)用與映射運行結(jié)果：one5.5two6.5three7.5dtype:float64a2.0b5.0c8.0d11.0dtype:float64示例：使用apply函數(shù)對DataFrame對象中的數(shù)據(jù)進行映射。代碼：df=pd.DataFrame(data=[[1,2,3],[4,5,6],

[7,8,9],[10,11,12]],

index=['a','b','c','d'],

columns=['one','two','three'])

df1=df.apply(func=np.mean,axis=0)

print(df1)

df2=df.apply(func=np.mean,axis=1)

print(df2)2.函數(shù)應(yīng)用與映射(3)applymap函數(shù)。

DataFrame.applymap(func:PythonFuncType,na_action:NaAction|None=None,**kwargs)->DataFrame將函數(shù)套用到DataFrame的每個元素上，返回DataFrame對象，原始數(shù)據(jù)不發(fā)生變化。注意：從NumPy2.1.0開始，DataFrame.applymap函數(shù)已被棄用，可以使用DataFrame.map函數(shù)代替，使用方法一致。3.排序由于Pandas中存放的是索引和數(shù)據(jù)的組合，因此既可以按索引進行排序，也可以按數(shù)據(jù)進行排序。(1)按索引排序

Series或DataFrame.sort_index(axis:Axis=0,level:IndexLabel|None=None,ascending:bool|Sequence[bool]=True,inplace:bool=False,kind:SortKind="quicksort",na_position:NaPosition="last",sort_remaining:bool=True,ignore_index:bool=False,key:IndexKeyFunc|None=None)3.排序(2)按值排序Series.sort_values(*,axis:Axis=0,ascending:bool|Sequence[bool]=True,inplace:bool=False,kind:SortKind="quicksort",na_position:NaPosition="last",ignore_index:bool=False,key:ValueKeyFunc|None=Non)->Series|None

DataFrame.sort_values(by:IndexLabel,*,axis:Axis=0,ascending:bool|list[bool]|tuple[bool,...]=True,inplace:bool=False,kind:SortKind="quicksort",na_position:str="last",ignore_index:bool=False,key:ValueKeyFunc|None=None)->DataFrame|Nonesort_values函數(shù)的參數(shù)使用與sort_index函數(shù)基本一致。不同點是，針對DataFrame對象，可使用參數(shù)“by:IndexLabel”指定排序的列。3.排序運行結(jié)果：Series對象按照data排序：51.042.015.036.02NaNdtype:float64DataFrame對象按照列two排序：

onetwothreed10012a123c749b456示例：使用sort_values函數(shù)對值排序。代碼：ser=pd.Series(data=[5,np.nan,6,2,1],

index=[1,2,3,4,5])

ser2=ser.sort_values()

print('Series對象按照data排序：\n%s'%ser2)

df=pd.DataFrame(data=[[1,2,3],[4,5,6],

[7,4,9],[10,0,12]],

index=['a','b','c','d'],

columns=['one','two','three'])

df2=df.sort_values(by='two')

print('DataFrame對象按照列two排序：\n%s'%df2)4.統(tǒng)計計算與描述(1)NumPy中的描述性統(tǒng)計函數(shù)使用方法為：numpy.函數(shù)名(Series)或numpy.函數(shù)名(DataFrame)。函數(shù)說明函數(shù)說明numpy.min()最小值numpy.max()最大值numpy.mean()均值numpy.ptp()極差numpy.median()中位數(shù)numpy.std()標(biāo)準(zhǔn)差numpy.var()方差()numpy.cov()協(xié)方差4.統(tǒng)計計算與描述(2)Pandas描述性統(tǒng)計函數(shù)：Series.函數(shù)