您的位置:首页 > 脚本大全 > > 正文

python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

更多 时间:2021-10-14 00:30:32 类别:脚本大全 浏览量:1814

python pandas读取数据库表

Python3.5 Pandas模块之DataFrame用法实例分析

本文实例讲述了python3.5 pandas模块之dataframe用法。分享给大家供大家参考,具体如下:

1、dataframe的创建

(1)通过二维数组方式创建

python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • #!/usr/bin/env python
  • # -*- coding:utf-8 -*-
  • # author:zhengzhengliu
  •  
  • import numpy as np
  • import pandas as pd
  • from pandas import series,dataframe
  •  
  • #1.dataframe通过二维数组创建
  • print("======dataframe直接通过二维数组创建======")
  • d1 = dataframe([["a","b","c","d"],[1,2,3,4]])
  • print(d1)
  •  
  • print("======dataframe借助array二维数组创建======")
  • arr = np.array([
  •   ["jack",78],
  •   ["lili",86],
  •   ["amy",97],
  •   ["tom",100]
  • ])
  •  
  • d2 = dataframe(arr,index=["01","02","03","04"],columns=["姓名","成绩"])
  • print(d2)
  • print("========打印行索引========")
  • print(d2.index)
  • print("========打印列索引========")
  • print(d2.columns)
  • print("========打印值========")
  • print(d2.values)
  • 运行结果:

    ======dataframe直接通过二维数组创建======
       0  1  2  3
    0  a  b  c  d
    1  1  2  3  4
    ======dataframe借助array二维数组创建======
          姓名   成绩
    01  jack   78
    02  lili   86
    03   amy   97
    04   tom  100
    ========打印行索引========
    index(['01', '02', '03', '04'], dtype='object')
    ========打印列索引========
    index(['姓名', '成绩'], dtype='object')
    ========打印值========
    [['jack' '78']
     ['lili' '86']
     ['amy' '97']
     ['tom' '100']]

    (2)通过字典方式创建

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • #2.dataframe通过字典创建,键作为列索引,键值作为数据值,行索引值自动生成
  •  
  • data = {
  •   "apart":['1101',"1102","1103","1104"],
  •   "profit":[2000,4000,5000,3500],
  •   "month":8
  • }
  •  
  • d3 = dataframe(data)
  • print(d3)
  • print("========行索引========")
  • print(d3.index)
  • print("========列索引========")
  • print(d3.columns)
  • print("========数据值========")
  • print(d3.values)
  • 运行结果:

    apart  month  profit
    0  1101      8    2000
    1  1102      8    4000
    2  1103      8    5000
    3  1104      8    3500
    ========行索引========
    rangeindex(start=0, stop=4, step=1)
    ========列索引========
    index(['apart', 'month', 'profit'], dtype='object')
    ========数据值========
    [['1101' 8 2000]
     ['1102' 8 4000]
     ['1103' 8 5000]
     ['1104' 8 3500]]

    2、dataframe数据获取

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • import numpy as np
  • import pandas as pd
  • from pandas import series,dataframe
  •  
  • #3.dataframe获取数据
  • data = {
  •   "apart":['1101',"1102","1103","1104"],
  •   "profit":[2000,4000,5000,3500],
  •   "month":8
  • }
  •  
  • d3 = dataframe(data)
  • print(d3)
  •  
  • print("======获取一列数据======")
  • print(d3["apart"])
  • print("======获取一行数据======")
  • print(d3.ix[1])
  •  
  • print("======修改数据值======")
  • d3["month"] = [7,8,9,10]        #修改值
  • d3["year"] = [2001,2001,2003,2004]   #新增列
  • d3.ix["4"] = np.nan
  • print(d3)
  • 运行结果:

     apart  month  profit
    0  1101      8    2000
    1  1102      8    4000
    2  1103      8    5000
    3  1104      8    3500
    ======获取一列数据======
    0    1101
    1    1102
    2    1103
    3    1104
    name: apart, dtype: object
    ======获取一行数据======
    apart     1102
    month        8
    profit    4000
    name: 1, dtype: object
    ======修改数据值======
      apart  month  profit    year
    0  1101    7.0  2000.0  2001.0
    1  1102    8.0  4000.0  2001.0
    2  1103    9.0  5000.0  2003.0
    3  1104   10.0  3500.0  2004.0
    4   nan    nan     nan     nan

    3、pandas基本功能

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

    (1)pandas数据文件读取

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • import numpy as np
  • import pandas as pd
  • from pandas import series,dataframe
  •  
  • #pandas基本操作
  • #1.数据文件读取
  •  
  • df = pd.read_csv("data.csv")
  • print(df)
  • 运行结果:

        name  age  source
    0  gerry   18    98.5
    1    tom   21    78.2
    2   lili   24    98.5
    3   john   20    89.2

    (2)数据过滤获取

    python pandas读取数据库表(Python3.5 Pandas模块之DataFrame用法实例分析)

  • ?
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • import numpy as np
  • import pandas as pd
  • from pandas import series,dataframe
  •  
  • #pandas基本操作
  • #1.数据文件读取
  •  
  • df = pd.read_csv("data.csv")
  • print(df)
  •  
  • #2.数据过滤获取
  •  
  • columns = ["姓名","年龄","成绩"]
  • df.columns = columns    #更改列索引
  • print("=======更改列索引========")
  • print(df)
  •  
  • #获取几列的值
  • df1 = df[columns[1:]]
  • print("=======获取几列的值========")
  • print(df1)
  • print("=======获取几行的值========")
  • print(df.ix[1:3])
  •  
  • #删除含有nan值的行
  • df2 = df1.dropna()
  • print("=======删除含有nan值的行=======")
  • print(df2)
  • 运行结果:

     name  age  source
    0  gerry   18    98.5
    1    tom   21     nan
    2   lili   24    98.5
    3   john   20    89.2
    =======更改列索引========
          姓名  年龄    成绩
    0  gerry  18  98.5
    1    tom  21   nan
    2   lili  24  98.5
    3   john  20  89.2
    =======获取几列的值========
       年龄    成绩
    0  18  98.5
    1  21   nan
    2  24  98.5
    3  20  89.2
    =======获取几行的值========
         姓名  年龄    成绩
    1   tom  21   nan
    2  lili  24  98.5
    3  john  20  89.2
    =======删除含有nan值的行=======
       年龄    成绩
    0  18  98.5
    2  24  98.5
    3  20  89.2

    希望本文所述对大家python程序设计有所帮助。

    原文链接:https://blog.csdn.net/loveliuzz/article/details/78498094

    您可能感兴趣