Was ist Pandas?

Pandas ist eine Python-Erweiterung, die Funktionen zur Unterstützung der Datenanalyse bietet. Die vorläufige Datenanalyse ist wichtig für die Erstellung von KI, kann jedoch mit Pandas (+ Jupyter Notebook) sehr bequem analysiert werden. Es wird auch zur Eingabe von Frameworks für künstliche Intelligenz verwendet. Daher ist es wichtig zu wissen, wie es beim Studium der künstlichen Intelligenz verwendet wird.

Hier ist eine Zusammenfassung dessen, was Sie mit Pandas tun können.

Installieren Sie Pandas

Mit pip können Sie Pandas einfach mit dem folgenden Befehl installieren.

# pip install pandas

Pandas importieren

Sie können Pandas mit der folgenden "Magie" verwenden. Es scheint, dass die Abkürzung oft "pd" ist.

import pandas as pd

Der folgende Code wird unter der Annahme geschrieben, dass die obige "Magie" ausgeführt wurde. Außerdem wird häufig NumPy verwendet, sodass NumPy auch unter der Annahme beschrieben wird, dass es als Abkürzung "np" importiert wird.

Serientyp und DataFrame-Typ

Die Datenanalyse wird mit Pandas durchgeführt. In Pandas gibt es jedoch einen Typ zum Speichern der zu analysierenden Daten. Dies ist der Serientyp und der DataFrame-Typ.

Serientyp

Wenn NumPy-Array "wie Python-Listentyp" ist, ist der Serientyp "wie Python-Wörterbuchtyp (Diktat-Typ)". "ist. Sie können Ihre Daten wie einen Wörterbuchschlüssel kennzeichnen und viele andere Dinge tun. Darüber hinaus entspricht es den Daten für eine Spalte oder den Daten für einen Datensatz (eine Zeile) im unten eingeführten DataFrame-Typ.

Erstellen eines Serientyps

Sie können einen Serientyp hauptsächlich aus einem Listentyp und einem Wörterbuchtyp erstellen.

Erstellt aus dem Wörterbuchtyp (Diktattyp)

Sie können einen Serientyp aus einem Wörterbuchtyp (Diktattyp) mit * Series () * von Pandas erstellen. Der Wörterbuchtypschlüssel wird zur Serienbezeichnung, und das Wörterbuchtypelement wird zu den Serientypdaten.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}

# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

Erstellt aus NumPy-Array und Listentyp

Sie können einen Serientyp aus einem Listentyp oder einem NumPy-Array mit Pandas '* Series () * erstellen. Bei der Erstellung mit dem Listentyp werden die Beschriftungen fortlaufend von "0" nummeriert. Sie können die Beschriftung jedoch separat angeben.

record = [100, 75, 120]
record_np = np.array(record)
labels = ["akiyama", "satou", "tanaka"]

#Etiketten sind Seriennummern von "0"
# SR = 0        100
#      1         75
#      2        120
#      dtype: int64
SR = pd.Series(record)
SR = pd.Series(record_np)

#Geben Sie die Bezeichnung mit "Index" an.
# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(record, index=labels)
SR = pd.Series(record_np, index=labels)

Serienbetrieb

Mit dem Serientyp können Sie verschiedene Vorgänge ausführen.

Nur Beschriftungen anzeigen, nur Daten anzeigen

Für den Serientyp kann nur die Beschriftung mit Index und nur die Daten mit Werten angezeigt werden.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}

# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

# SR.index = Index(['akiyama', 'satou', 'tanaka'], dtype='object')
SR.index

# SR.values ist ein NumPy-Array
# SR.values = [100 75 120]
SR.values

Nennen Sie den Serientyp und das Etikett

Serientypen können nach Namen benannt werden. Sie können das Label auch mit index.name benennen.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}
SR = pd.Series(Science)

# SR = Students
#      akiyama    100
#      satou       75
#      tanaka     120
#      Name: Science, dtype: int64
SR.name = 'Science'
SR.index.name = 'Students'

Neues Etikett hinzufügen / Etikett ändern

Wenn Sie dem Serientyp ein neues Etikett hinzufügen möchten, fügen Sie es wie folgt hinzu.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}

# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

#Wenn Sie den Serientyp mithilfe des Listentyps der Beschriftung neu erstellen, können Sie den Serientyp mit der neuen Beschriftung abrufen.
#Zu diesem Zeitpunkt werden Beschriftungen, die nicht zum ursprünglichen Serientyp gehören, nicht vererbt.
# SR_new = akiyama     100.0
#          satou        75.0
#          nico          NaN
#          mochidan      NaN
#          dtype:    float64
labels = ["akiyama", "satou", "nico", "mochidan"]
SR_new = pd.Series(SR, index=labels)

Zugriff auf Serientypdaten

Der Serientyp kann über den Index oder den Markennamen auf Daten zugreifen.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}

# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

# tmp = 75
tmp = SR[1]
tmp = SR["satou"]

#Kann mit Slice- oder Listentyp angegeben werden
#In diesem Fall wird der Serientyp zurückgegeben
# tmp2 = akiyama    100
#        satou       75
#        dtype:   int64
tmp2 = SR[0:2]
tmp2 = SR[["akiyama", "satou"]]

Stellen Sie fest, ob die Daten Nullen haben

Sie können Pandas '* isnull () * oder * notnull () * verwenden, um festzustellen, ob Ihre Daten null sind.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}
SR = pd.Series(Science)
SR["satou"] = np.nan

# SR["satou"]Ist ein fehlender Wert(null)
#Fehlende Werte ändern den Datentyp in float64
# SR = akiyama    100.0
#      satou        NaN
#      tanaka     120.0
#      dtype:   float64
SR

# akiyama    False
# satou       True
# tanaka     False
# dtype:      bool
pd.isnull(SR)

# akiyama     True
# satou      False
# tanaka      True
# dtype:      bool
pd.notnull(SR)

Anzeigen / Ändern von Daten, die die Bedingungen erfüllen

Sie können die Daten beurteilen, die die Bedingungen erfüllen, und die Daten anzeigen / ändern, die die Bedingungen erfüllen.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}

# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

#Beurteilung von Daten über 80
#Das Bewertungsergebnis wird als Serientyp erfasst
# is_Excellent = akiyama     True
#                satou      False
#                tanaka      True
#                dtype:      bool
is_Excellent = SR > 80

#Nur Daten über 80 werden als Serientyp erfasst
# Excellent = akiyama    100
#             tanaka     120
#             dtype:   int64
Excellent = SR[SR > 80]
Excellent = SR[is_Excellent]

#Aktualisieren Sie Daten, die die Bedingungen erfüllen, indem Sie einen Wert zuweisen
# SR = akiyama     80
#      satou       75
#      tanaka      80
#      dtype:   int64
SR[SR > 80] = 80

Löschen Sie die angegebenen Daten

Sie können den Serientyp mit den angegebenen Daten abrufen, indem Sie * drop () * des Serientyps verwenden.

Science = {"akiyama": 100, "satou": 75, "tanaka": 120}

# SR = akiyama    100
#      satou       75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

#Geben Sie den Beschriftungsnamen der zu löschenden Zeile an
# SR_new = akiyama    100
#          tanaka     120
#          dtype:   int64
SR_new = SR.drop("satou")

Daten sortieren

Sie können nach Label mit * sort_index () * vom Serientyp und nach Daten mit * sort_values () * sortieren.

Science = {"satou": 100, "akiyama": 75, "tanaka": 120}

# SR = satou      100
#      akiyama     75
#      tanaka     120
#      dtype:   int64
SR = pd.Series(Science)

#Nach Etikett in aufsteigender Reihenfolge sortieren
# SR_index = akiyama     75
#            satou      100
#            tanaka     120
#            dtype:   int64
SR_index = SR.sort_index()

#Wenn das Argument "inplace" auf "True" gesetzt ist, wird der Serientyp selbst aktualisiert.
SR.sort_index(inplace = True)

#Wenn das Argument "aufsteigend" auf "Falsch" gesetzt ist, erfolgt die Sortierung in absteigender Reihenfolge.
SR.sort_index(inplace = True, ascending=False)

#Nach Daten in aufsteigender Reihenfolge sortieren
# SR_values = akiyama     75
#             satou      100
#             tanaka     120
#             dtype:   int64
SR_values = SR.sort_values()

#Wenn das Argument "inplace" auf "True" gesetzt ist, wird der Serientyp selbst aktualisiert.
SR.sort_values(inplace = True)

#Wenn das Argument "aufsteigend" auf "Falsch" gesetzt ist, erfolgt die Sortierung in absteigender Reihenfolge.
SR.sort_values(inplace = True, ascending=False)

DataFrame-Typ

Der DataFrame-Typ ist "wie eine Tabelle". Die zu analysierenden Daten können das CSV-Format, das Excel-Format oder Daten in HTML sein, bieten jedoch eine Funktion zum Lesen und Betreiben dieser Daten als Tabelle.

Erstellen eines DataFrame-Typs

Sie können Daten in verschiedenen Formaten als DataFrame-Typ lesen.

Erstellt aus einer CSV-Datei

Sie können einen DataFrame-Typ aus einer CSV-Datei mit Pandas '* read_csv () * oder * read_table () * erstellen. Als Beispiel existiert die folgende CSV-Datei.

`test.csv`


No,Name,Score
Students,Science,Math
akiyama,100,100
satou,75,99
tanaka,120,150
suzuki,50,50
mochidan,0,10

Wenn Sie * read_csv () * verwenden, können Sie einen DataFrame-Typ wie folgt erstellen:

#Das Argument ist der Pfad zum Lesen, der als relativer Pfad aus dem aktuellen Verzeichnis angegeben wird.
DF = pd.read_csv('test.csv')

#Wenn für "Header" Keine angegeben ist, wird es als Daten aus der ersten Zeile gelesen.
DF = pd.read_csv('test.csv', header=None)

Bei Verwendung von * read_table () * können Sie das Trennzeichen angeben. Sie können einen DataFrame-Typ wie folgt erstellen:

#Das Argument ist der Pfad zum Lesen, der als relativer Pfad aus dem aktuellen Verzeichnis angegeben wird.
#Geben Sie ein Trennzeichen für "sep" an.
DF = pd.read_table('test.csv', sep=',')

#Wenn für "Header" Keine angegeben ist, wird es als Daten aus der ersten Zeile gelesen.
DF = pd.read_table('test.csv', , sep=',', header=None)

In diesen Fällen ist der DF vom folgenden DataFrame-Typ.

DataFrame-Typ beim Erstellen ohne "* header = None *". Die erste Zeile wird als Spaltenname gelesen.

	Students	Science	Math
0	akiyama	100	100
1	satou	75	99
2	tanaka	120	150
3	suzuki	50	50
4	mochidan	0	10

Aus Zwischenablage erstellen

Sie können Pandas '* read_clipboard () * verwenden, um einen DataFrame-Typ aus der Zwischenablage zu erstellen. Als Beispiel existiert die folgende Tabelle.

	Students	Science	Math
0	akiyama	100	100
1	satou	75	99
2	tanaka	120	150
3	suzuki	50	50
4	mochidan	0	10

Angenommen, Sie kopieren die obige Tabelle und speichern sie in der Zwischenablage. Danach können Sie einen DataFrame-Typ wie folgt erstellen.

DF = pd.read_clipboard()

#Wenn für "Header" Keine angegeben ist, wird es als Daten aus der ersten Zeile gelesen.
DF = pd.read_clipboard(header=None)

Erstellt aus einer Excel-Datei

Mit Pandas * read_excel () * können Sie einen DataFrame-Typ aus einer Excel-Datei erstellen. Beachten Sie jedoch, dass bei zusammengeführten Zellen die Zellen nicht zusammengeführt werden, was zu "NaN" für den Wert und "Unbenannt: * x *" für den Spaltennamen führt.

#Das erste Argument ist der Lesezielpfad, der als relativer Pfad aus dem aktuellen Verzeichnis angegeben wird.
# sheet_Geben Sie den Namen des Blattes an, dessen Name eingelesen werden soll
DF = pd.read_excel('test.xlsx', sheet_name='Sheet1')

#Wenn für "Header" "Keine" angegeben ist, werden die Daten aus der ersten Zeile der Excel-Datei gelesen.
DF = pd.read_excel('test.xlsx', sheet_name='Sheet1', header=None)

Erstellt aus dem Wörterbuchtyp (Diktattyp)

Sie können einen DataFrame-Typ auch aus einem Wörterbuchtyp (Diktattyp) erstellen. Wenn JSON-Daten per HTTP-Anforderung usw. zurückgegeben werden und JSON in einen Wörterbuchtyp umgewandelt werden kann, können die Daten als DataFrame-Typ bearbeitet werden.

import pandas as pd
import json

#Zum Beispiel, wenn es einen solchen JSON gibt
json_obj = """
{    
    "result": [{"Students": "akiyama", "Science": 100, "Math": 100}, 
               {"Students": "satou"  , "Science":  75, "Math":  99}, 
               {"Students": "tanaka" , "Science": 120, "Math": 150}]
}
"""

#JSON-Objekt erstellen
data = json.loads(json_obj)

#In diesem Fall Daten["result"]Ist eine Wörterbuchtypliste
# data["result"] = [{'Students': 'akiyama', 'Science': 100, 'Math': 100},
#                   {'Students': 'satou'  , 'Science':  75, 'Math':  99},
#                   {'Students': 'tanaka' , 'Science': 120, 'Math': 150}]
data["result"]

#Pandas DataFrame()Wenn Sie eine Wörterbuchtypliste als Argument übergeben, können Sie sie zu einem DataFrame-Typ machen
#1 Wörterbuchtyp, 1 Zeile DataFrame-Typ
DF = pd.DataFrame(data["result"])

In diesem Fall ist der DF vom folgenden DataFrame-Typ.

	Students	Science	Math
0	akiyama	100	100
1	satou	75	99
2	tanaka	120	150

Erstellt aus NumPy-Array und Listentyp

Sie können einen DataFrame-Typ auch aus einem NumPy-Array und einem Listentyp erstellen.

# data_np = [['akiyama' 100 100],
#            ['satou'    75  99]]
data = [["akiyama", 100, 100], ["satou", 75, 99]]
data_np = np.array(data)

#Geben Sie den Spaltennamen in "Spalten" an (falls nicht angegeben, Seriennummer von "0").
DF = pd.DataFrame(data, columns = ['No', 'Name', 'Score'])
DF = pd.DataFrame(data_np, columns = ['No', 'Name', 'Score'])

In diesem Fall ist der DF vom folgenden DataFrame-Typ.

	Students	Science	Math
0	akiyama	100	100
1	satou	75	99

Speichern Sie den DataFrame-Typ

Sie können den DataFrame-Typ als Datei speichern.

Speichern Sie im CSV-Format

Sie können den DataFrame-Typ im CSV-Format speichern, indem Sie den DataFrame-Typ * to_csv () * verwenden.

#Angenommen, Sie erstellen auf irgendeine Weise einen DataFrame-Typ und nehmen verschiedene Änderungen vor.
DF = pd.read_csv('test.csv')

#Das erste Argument ist der Speicherzielpfad, der als relativer Pfad aus dem aktuellen Verzeichnis angegeben wird.
#Das Standardtrennzeichen ist ",」
DF.to_csv('test_2.csv')

#Sie können das Trennzeichen auch mit "sep" angeben.
DF.to_csv('test_3.csv', sep='_')

#Auswählbar mit oder ohne Index und Header
DF.to_csv("test_4.csv", header=False, index=False)

Operationen vom Typ DataFrame

Wenn Sie den DataFrame-Typ verwenden, können Sie verschiedene Vorgänge ausführen.

Spaltennamen anzeigen, Spaltenname angeben, der angezeigt werden soll

Der DataFrame-Typ kann den Spaltennamen mit Spalten abrufen, oder Sie können den Spaltennamen angeben und nur diese Spalte abrufen.

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Spaltennamen anzeigen
# DF.columns = Index(['Students', 'Science', 'Math'], dtype='object')
DF.columns

#Sie können die angegebene Spalte als Serientyp abrufen, indem Sie die folgenden Schritte ausführen
# 0    akiyama
# 1      satou
# Name: Students, dtype: object
DF["Students"]
DF.Students

#Wenn Sie zwei oder mehr Spalten erhalten möchten, geben Sie diese Spaltennamen als Listentyp an.
#Beim Abrufen von zwei oder mehr Spalten wird es vom DataFrame-Typ abgerufen
DF[["Students", "Math"]]

Der obige DF [["Schüler", "Mathematik"]] ist vom folgenden DataFrame-Typ.

	Students	Math
0	akiyama	100
1	satou	99

Anzeige durch Angabe der Anzahl der Zeilen

Bei Verwendung des DataFrame-Typs iloc kann nur die angegebene Zeile abgerufen werden.

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Sie können die angegebene Zeile als Serientyp abrufen, indem Sie die folgenden Schritte ausführen
#Beachten Sie, dass Zeilennummern mit "0" beginnen.
# Students    satou
# Science        75
# Math           99
# Name: 1, dtype: object
DF.iloc[1]

#Wenn Sie mehr als eine Zeile erhalten möchten, beschreiben Sie den Bereich, den Sie in Scheiben erhalten möchten
#Beim Abrufen von zwei oder mehr Zeilen wird es vom DataFrame-Typ abgerufen
DF.iloc[0:2]

Das obige DF.iloc [0: 2] hat den folgenden DataFrame-Typ.

	Students	Science	Math
0	akiyama	100	100
1	satou	75	99

Zeige nur den Anfang, zeige nur das Ende

Der DataFrame-Typ * head () * kann verwendet werden, um nur den Anfang anzuzeigen, und * tail () * kann verwendet werden, um nur das Ende anzuzeigen.

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Zeigen Sie ohne Argument bis zu den ersten 5 Zeilen an
#Wenn Sie die Anzahl der Zeilen im Argument angeben, wird von Anfang an nur die angegebene Anzahl von Zeilen angezeigt.
DF.head()
DF.head(1)

#Zeigen Sie ohne Argumente die letzten 5 Zeilen an
#Wenn Sie die Anzahl der Zeilen im Argument angeben, wird am Ende nur die angegebene Anzahl von Zeilen angezeigt
DF.tail()
DF.tail(1)

Erstellen Sie einen neuen DataFrame-Typ für eine bestimmte Spalte

Sie können einen neuen DataFrame-Typ erstellen, indem Sie nur bestimmte Spalten des DataFrame-Typs verwenden (siehe unten).

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Erstellen Sie einen neuen DataFrame-Typ, indem Sie nur "Students" und "Math" vom DataFrame-Typ "DF" verwenden.
#Geben Sie eine Zeile in "Spalten" an. Wenn Sie jedoch eine nicht vorhandene Spalte angeben, werden alle Daten in dieser Spalte als "NaN" erstellt.
DF_new = DataFrame(DF, columns=['Students', 'Math'])

Das obige DF_new hat den folgenden DataFrame-Typ.

	Students	Math
0	akiyama	100
1	satou	99

Löschen Sie die angegebene Zeile oder Spalte

Wenn Sie * drop () * vom Typ DataFrame verwenden, können Sie den DataFrame-Typ mit der angegebenen Spalte / Zeile löschen.

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Geben Sie beim Löschen einer Zeile den Index der zu löschenden Zeile an (wenn sie einen Beschriftungsnamen hat, geben Sie den Beschriftungsnamen an).
#Da der Index bei "0" beginnt, löschen Sie in diesem Fall die zweite Zeile
DF_drop_axis0 = DF.drop(1)

#Geben Sie beim Löschen einer Zeile "1" für das Argument "Achse" an.
#Geben Sie außerdem den Index der zu löschenden Spalte an (wenn der Spaltenname angehängt ist, geben Sie den Spaltennamen an).
#Löschen Sie den Spaltennamen "Wissenschaft", da der Spaltenname angehängt ist.
DF_drop_axis1 = DF.drop("Science", axis=1)

Der obige DF_drop_axis0 ist vom folgenden DataFrame-Typ.

	Students	Science	Math
0	akiyama	100	100

DF_drop_axis1 hat den folgenden DataFrame-Typ.

	Students	Math
0	akiyama	100
1	satou	99

Spalte hinzufügen

Sie können dem DataFrame-Typ wie folgt eine neue Spalte hinzufügen:

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Spalte "Englisch" hinzugefügt. Geben Sie "NaN" als Anfangswert an.
DF['English'] = np.nan

	Students	Science	Math	English
0	akiyama	100	100	NaN
1	satou	75	99	NaN

Sie können auch Spalten mit dem Serientyp hinzufügen.

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

# English = 0        100
#           1         30
#           dtype: int64
English = pd.Series([100, 30], index=[0, 1])

#Daten werden dort eingefügt, wo der Index auf der Serienseite und der Index des DataFrame-Typs übereinstimmen.
#Wenn es keine Übereinstimmung gibt, ist es "NaN"
DF['English'] = English

	Students	Science	Math	English
0	akiyama	100	100	100
1	satou	75	99	30

Zeigen Sie Daten an, die die Bedingungen erfüllen

Sie können die Daten beurteilen, die die Bedingungen erfüllen, und die Daten anzeigen, die die Bedingungen erfüllen.

data = [["akiyama", 100, 100],
        ["satou"  ,  75,  99]]
DF = pd.DataFrame(data, columns = ['Students', 'Science', 'Math'])

#Stellen Sie fest, ob mehr als 80 Daten für "Wissenschaft" und "Mathematik" vorhanden sind.
DF_80over = DF[["Science", "Math"]] > 80

#Zeige Linien mit "Science" über 80
Science_80over = DF[DF['Science'] > 80]

Der obige DF_80over hat den folgenden DataFrame-Typ.

	Science	Math
0	True	True
1	False	True

Science_80over hat den folgenden DataFrame-Typ.

	Students	Science	Math
0	akiyama	100	100

[PYTHON] Pandas Grundlagen

Was ist Pandas?

Installieren Sie Pandas

Pandas importieren

Serientyp und DataFrame-Typ

Serientyp

Erstellen eines Serientyps

Erstellt aus dem Wörterbuchtyp (Diktattyp)

Erstellt aus NumPy-Array und Listentyp

Serienbetrieb

Nur Beschriftungen anzeigen, nur Daten anzeigen

Nennen Sie den Serientyp und das Etikett

Neues Etikett hinzufügen / Etikett ändern

Zugriff auf Serientypdaten

Stellen Sie fest, ob die Daten Nullen haben

Anzeigen / Ändern von Daten, die die Bedingungen erfüllen

Löschen Sie die angegebenen Daten

Daten sortieren

DataFrame-Typ

Erstellen eines DataFrame-Typs

Erstellt aus einer CSV-Datei

test.csv

Aus Zwischenablage erstellen

Erstellt aus einer Excel-Datei

Erstellt aus dem Wörterbuchtyp (Diktattyp)

Erstellt aus NumPy-Array und Listentyp

Speichern Sie den DataFrame-Typ

Speichern Sie im CSV-Format

Operationen vom Typ DataFrame

Spaltennamen anzeigen, Spaltenname angeben, der angezeigt werden soll

Anzeige durch Angabe der Anzahl der Zeilen

Zeige nur den Anfang, zeige nur das Ende

Erstellen Sie einen neuen DataFrame-Typ für eine bestimmte Spalte

Löschen Sie die angegebene Zeile oder Spalte

Spalte hinzufügen

Zeigen Sie Daten an, die die Bedingungen erfüllen

`test.csv`