Schreiben Sie auf, was ich bei der Formatierung von Pos-Daten mit ipython verwendet habe

Einführung

Ich musste die unordentlichen Daten mit Bytes formatieren, daher ist dies zu dieser Zeit ein Memo Das Kritzeln von dem, was ich in R über Januar gemacht habe, ist hier. import Import eines vertrauten Datenanalysetools

Da wir jedoch häufig Daten verarbeiten, die viele Dateien umfassen, Glob wird auch importiert !! pandas

• Es tut mir leid, dass ich diesmal nicht über Numpy schreibe. Es ist nur Datenformatierung. Es ist besser, das Array von nampy für Namen, Header usw. zu verwenden.

Datei lesen

data = pd.read_csv("Dateiname.csv")

--pd.read_ file format () unterstützt verschiedene Dateiformate

• Sie können Header mit Header = -1 entfernen! --names = ['1', '2', '3'] usw.

datas = glob.glob('*')

Wenn Sie eine große Anzahl von Dateien haben, erhalten Sie alle Dateien im Verzeichnis.

Bei Pandas ist die aufgerufene Datei kein Numpy-Array, sondern ein DataFrame-Typ.

Spalten und Zeilen löschen

Es ist ein Abziehen des störenden Teils.

data.drop([1,2])
#Linie löschen
data.drop([1,2],axis=1)
#Spalten löschen

Auf diese Weise können Sie die Zeile und die Spalte löschen.

Spalten und Zeilen verbinden

pd.concat([data[1],data[0]])
#Linien verbinden
pd.concat([data[1],data[0]],axis=1)
#Spalten verbinden

Dies ist nützlich, wenn Sie viele Dateien und Daten haben!

Nur Zeilen mit den gewünschten Daten

Nur die Daten, die Sie wollen!

data.query("1==2")

Jetzt können Sie nur eine Spalte mit dem Namen 1 mit dem Wert 2 haben.

Bleib bei den gleichen Daten

Unverzichtbar beim Formen von Dateien, um Datenbeziehungen abzuleiten!

pd.merge(data1, data, on='Spaltenname')

Dadurch werden die Daten mit denselben Spaltenwerten zusammengehalten.

Schließlich

Geduld ist wichtig für die stumpfe Datenformung! Danach können Sie es sofort tun, indem Sie für usw. verwenden. Es ist einfach, Spalten und Zeilen gut auszutauschen, indem Sie ein Array von numpy und eine Datei in der Mitte erstellen. Denken Sie an die gewünschten Daten und arbeiten Sie hart daran. Danke, dass Sie mein schlechtes Memo gelesen haben.