python16-18合并和图形呈现

16课时 Pandasconcat 合并

合并多个dataframe 可以横向纵行,即可columns的命不一样

用pandas 和numpy

#concatenating

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

print(df1)

print(df2)

print(df3)


res=pd.concat([df1,df2,df3],axis=0,ignore_index=True)  #pd中 记住 axis的代表,合并函数,axis=0 代表行都合并成多行,在行上进行合并,axis=1代表在列上面进行合并, ignore 可以让前面的index重新顺序,而非之前的index。

print(res)

# join,[‘inner’,’outer’]

默认是outer 就是说列上面没有的写为空

而inner是合并的时候,只合并列里面都有列,行保持不变累加。

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['e','b','c','d'])

res=pd.concat([df1,df2],join='inner',ignore_index=True)

print(res)

#join_axes    列向合并

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'],index=[1,2,3])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['b','c','d','e'],index=[2,3,4])

res=pd.concat([df1,df2],axis=1,join_axes=[df1.index])

print(res)

# append 默认竖向加数据,如果给axis=1 会横向加数据。

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

df2=pd.DataFrame(np.ones((3,4))*1,columns=['a','b','c','d'])

df3=pd.DataFrame(np.ones((3,4))*2,columns=['a','b','c','d'])

print(df1.append([df2,df3],ignore_index=True))

#这里的.append函数要先小括号再中括号,小括号一直到末尾函数结束。

添加一个横条,从DataFrame上面添加这个Series。

df1=pd.DataFrame(np.ones((3,4))*0,columns=['a','b','c','d'])

s1=pd.Series([1,2,3,4],index=['a','b','c','d'])

res=df1.append(s1,ignore_index=True)  #注意这里的写法

print(res)

解释:不过pandas中series直接用列表生成dataframe只能按行生成,如果是字典可以按列生成

17课时 pandas merge合并

可以对key合并和index合并。按某一个index或column进行合并。用到left right,和on。而且里面某个列的化要用大括号。(key内容一样)

left = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],

'C': ['A0', 'A1', 'A2', 'A3'],

'B': ['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],

'C': ['C0', 'C1', 'C2', 'C3'],

'D': ['D0', 'D1', 'D2', 'D3']})

res=pd.merge(left,right,on='key')

print(res)

#consider two keys 内容不一样 默认how=‘’inner‘’打印方法 即里面想重复的元素,不重复的行舍掉,并且不是某行相同的元素,而是纯相同的元素,然后不够的补充行,并且重复复制。

left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],

'key2': ['K0', 'K1', 'K0', 'K1'],

'A': ['A0', 'A1', 'A2', 'A3'],

'B': ['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],

'key2': ['K0', 'K0', 'K0', 'K0'],

'C': ['C0', 'C1', 'C2', 'C3'],

'D': ['D0', 'D1', 'D2', 'D3']})

print(left)

print(right)

res = pd.merge(left,right,on=['key1','key2'],how='inner')

print(res)

#indicator函数  就是告诉你是怎么合并的清楚的告诉你,默认是false,所以要写为true。注意merge是混合合并。想改列的名字就写indicator='名字'即可。

res = pd.merge(left,right,on=['key1','key2'],how='outer',indicator=True)

print(res)

#index 用index最左边那一行。对比index进行合并。

left = pd.DataFrame({'A': ['A0', 'A1', 'A2'],

'B': ['B0', 'B1', 'B2']},

index=['K0', 'K1', 'K2'])

right = pd.DataFrame({'C': ['C0', 'C2', 'C3'],

'D': ['D0', 'D2', 'D3']},

index=['K0', 'K2', 'K3'])

print(left)

print(right)

# left_index and right_index

res = pd.merge(left, right, left_index=True, right_index=True, how='outer')

print(res)

#suffixes 后缀

boys = pd.DataFrame({'k': ['K0', 'K1', 'K2'], 'age': [1, 2, 3]})

girls = pd.DataFrame({'k': ['K0', 'K0', 'K3'], 'age': [4, 5, 6]})

res=pd.merge(boys,girls,on='k',suffixes=['_boy','_girl'],how='inner')

print(res)

#join的形式直接百度一下就型,两个是一样的和merge

18课时 padas 的plot图表

可视化图标,也会用到numpy生产一些数据。并且要把可视化的套件也导进去matplotlib.pyplot as plt

#plot data 学习如何生成数据

# Series 这就是个线性的数据列,记得要大写和DataFrame一样要大写,这个是要注意的。

data=pd.Series(np.random.randn(1000),index=np.arange(1000))  #np.random.randn(1000)随机生成1000个数 arange函数用于创建等差数组,使用频率非常高

data=data.cumsum()  #元素累计和累加函数

data.plot() #打印图像

plt.show() 这是显示出来

import matplotlib.pyplot as plt

data=pd.Series(np.random.randn(1000),index=np.arange(1000))

data=data.cumsum()

data.plot()

plt.show()

# DataFrame  矩阵的合并

data = pd.DataFrame(np.random.randn(1000, 4), index=np.arange(1000), columns=list("ABCD"))

data = data.cumsum()

data.plot() #在plot里面可以百度查颜色啊宽度啊这些参数,写进去,此处不详细说明。

plt.show() #注意形成图标是.plot,打印图标是plt.show,这两个不一样。

#“bar”条形图 ‘hist’,‘box’,‘area’,‘scatter‘,‘hexbin’’,‘pie‘’’’,不详解。

# scatter是数据点,(plot是线性),只有两个属性,x=,y= ,并且他是.plot.sactter即plot后的一个属性

ax = data.plot.scatter(x='A', y='B', color='DarkBlue', label="Class 1")

data.plot.scatter(x='A', y='C', color='DarkGreen', label='Class 2', ax=ax) #ax=第一个ax表示一个图上面打印两个标签,x=‘A’这表示是上个dataframe中的a列’

plt.show()

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,602评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,442评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,878评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,306评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,330评论 5 373
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,071评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,382评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,006评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,512评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,965评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,094评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,732评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,283评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,286评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,512评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,536评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,828评论 2 345

推荐阅读更多精彩内容