Метод dataframe.shapeв контексте работы с фреймами данных в Python возвращает кортеж, содержащий количество строк и столбцов в фрейме данных. Это удобный способ быстро получить представление о размерах вашего фрейма данных.
Теперь давайте углубимся в некоторые разговорные объяснения и примеры кода различных методов, которые можно использовать с кадрами данных.
.head()— этот метод позволяет просмотреть первые несколько строк вашего фрейма данных. Это удобно для быстрого просмотра данных.
df.head().tail()– аналогично.head(), этот метод отображает несколько последних строк вашего фрейма данных.
df.tail().info()– используйте этот метод для получения сводной информации о вашем фрейме данных, включая информацию о типах данных каждого столбца и количестве ненулевых значений.
df.info().describe()– этот метод предоставляет статистические сводки для каждого числового столбца в вашем фрейме данных, такие как количество, среднее значение, стандартное отклонение, минимальное и максимальное значения.
df.describe().columns— этот атрибут возвращает список имен столбцов в вашем фрейме данных. Это полезно, если вы хотите получить доступ к определенным столбцам или манипулировать ими.
df.columns.index— этот атрибут возвращает метки индекса вашего фрейма данных, что может быть полезно, если вы хотите перебирать строки или выполнять операции на основе индекса.
df.index.shape. Как упоминалось ранее, этот метод возвращает кортеж, представляющий количество строк и столбцов в вашем кадре данных.
df.shape.loc[]— этот метод позволяет вам получать доступ к строкам и столбцам в вашем фрейме данных посредством индексации на основе меток. Вы можете указать метки строк и имена столбцов для извлечения конкретных данных.
df.loc[2, 'column_name'].iloc[]— аналогично.loc[], этот метод позволяет получать доступ к строкам и столбцам в кадре данных посредством индексации на основе целых чисел. Вы можете передавать целочисленные значения для получения определенных данных.
df.iloc[2, 3].drop()— используйте этот метод для удаления строк или столбцов из вашего фрейма данных. Вы можете указать метки строк или столбцов, которые хотите удалить.
df.drop(['row_label1', 'row_label2'], axis=0).fillna()— этот метод позволяет вам заполнить пропущенные значения (NaN) в вашем фрейме данных указанным значением или использовать различные методы заполнения.
df.fillna(value=0).groupby()— этот метод полезен для группировки вашего фрейма данных на основе одного или нескольких столбцов. Он позволяет выполнять агрегирование и применять функции к сгруппированным данным.
df.groupby('column_name').mean().sort_values()— используйте этот метод для сортировки фрейма данных на основе одного или нескольких столбцов. Для каждого столбца можно указать порядок по возрастанию или убыванию.
df.sort_values(by='column_name', ascending=True).merge()— этот метод позволяет объединить два фрейма данных на основе общего столбца или индекса. Это полезно, если вы хотите объединить данные из разных источников.
df1.merge(df2, on='column_name').pivot_table()– этот метод позволяет создать сводную таблицу на основе вашего фрейма данных, которая суммирует и агрегирует данные на основе одного или нескольких столбцов.
df.pivot_table(values='value_column', index='index_column', columns='column_name', aggfunc='mean')На этом мы завершаем изучение некоторых часто используемых методов обработки данных в Python. Помните, что это всего лишь несколько примеров, а в таких библиотеках, как Pandas, доступно гораздо больше методов и функций.