pandas使用筆記

1.寫入excel:
df = pd.DataFrame(resultlist)#一個(gè)列表遏匆,列表里裝的是json格式的數(shù)據(jù)
df.to_excel('data.xlsx', encoding='utf-8', startcol=0, index=False)

2.讀取excel
df = pd.read_excel('data.xlsx', encoding='utf-8', usecols='A,C:H,R:AB')

3.去掉重復(fù)的行
df.drop_duplicates(subset = [name],keep='first',inplace=True)

4.列名
df= pd.read_excel('a.xlsx', encoding='utf-8')
print(df.columns)

5.分組,
image.png

df.groupby(['id','b']):

6.遍歷
比較快的是
for tup in df.itertuples():
print(tup[0])#索引
print(tup[1])#和excel中的列一一對(duì)應(yīng)
print(tup[2])

7.條件查詢
df.loc[df["列名"] == "sth"]#返回符合條件的行
df.loc[df["列名"] == "sth","列名"] 單元格
這樣寫會(huì)返回類型,如果只要值
df.loc[df["列名"] == "sth","列名"] .values#返回的是列表
有多個(gè)條件的用&
df.loc[(df['A']=='a') & df['A']=='b') ]

8.問(wèn)題1:
Index(['Unnamed: 0', 'Unnamed: 1', 'Unnamed: 2', 'Unnamed: 3'], dtype='object')
查詢列名時(shí)報(bào)以上錯(cuò)誤
原因:默認(rèn)查詢excel的sheet1,numbers導(dǎo)出excel時(shí)會(huì)增加一個(gè)sheet1蝠引,刪掉即可

9.判斷單元格是否為null
if tup[i] is np.nan

10:將兩列合并成一列
parent_teacher_data['address'] = parent_teacher_data['country']+parent_teacher_data['province']+parent_teacher_data['city']+parent_teacher_data['county']

11:追加寫入
如果是用to_excel追加比較麻煩院领,所以改用csv,mode='a'
df.to_csv("candidaterule.csv", encoding='utf-8',mode="a",index=None)
我是將json寫入csv的杠园,如果直接這樣,每次追加寫入都有一行列名

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末舔庶,一起剝皮案震驚了整個(gè)濱河市抛蚁,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌惕橙,老刑警劉巖瞧甩,帶你破解...
    沈念sama閱讀 206,378評(píng)論 6 481
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場(chǎng)離奇詭異弥鹦,居然都是意外死亡肚逸,警方通過(guò)查閱死者的電腦和手機(jī)爷辙,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,356評(píng)論 2 382
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)朦促,“玉大人膝晾,你說(shuō)我怎么就攤上這事∥衩幔” “怎么了血当?”我有些...
    開封第一講書人閱讀 152,702評(píng)論 0 342
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)禀忆。 經(jīng)常有香客問(wèn)我臊旭,道長(zhǎng),這世上最難降的妖魔是什么箩退? 我笑而不...
    開封第一講書人閱讀 55,259評(píng)論 1 279
  • 正文 為了忘掉前任离熏,我火速辦了婚禮,結(jié)果婚禮上戴涝,老公的妹妹穿的比我還像新娘滋戳。我一直安慰自己,他們只是感情好啥刻,可當(dāng)我...
    茶點(diǎn)故事閱讀 64,263評(píng)論 5 371
  • 文/花漫 我一把揭開白布胧瓜。 她就那樣靜靜地躺著,像睡著了一般郑什。 火紅的嫁衣襯著肌膚如雪府喳。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,036評(píng)論 1 285
  • 那天蘑拯,我揣著相機(jī)與錄音钝满,去河邊找鬼。 笑死申窘,一個(gè)胖子當(dāng)著我的面吹牛弯蚜,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播剃法,決...
    沈念sama閱讀 38,349評(píng)論 3 400
  • 文/蒼蘭香墨 我猛地睜開眼碎捺,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了贷洲?” 一聲冷哼從身側(cè)響起收厨,我...
    開封第一講書人閱讀 36,979評(píng)論 0 259
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎优构,沒想到半個(gè)月后诵叁,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 43,469評(píng)論 1 300
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡钦椭,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 35,938評(píng)論 2 323
  • 正文 我和宋清朗相戀三年拧额,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了碑诉。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,059評(píng)論 1 333
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡侥锦,死狀恐怖进栽,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情恭垦,我是刑警寧澤快毛,帶...
    沈念sama閱讀 33,703評(píng)論 4 323
  • 正文 年R本政府宣布,位于F島的核電站署照,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏吗浩。R本人自食惡果不足惜建芙,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,257評(píng)論 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望懂扼。 院中可真熱鬧禁荸,春花似錦、人聲如沸阀湿。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,262評(píng)論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)陷嘴。三九已至映砖,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間灾挨,已是汗流浹背邑退。 一陣腳步聲響...
    開封第一講書人閱讀 31,485評(píng)論 1 262
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留劳澄,地道東北人地技。 一個(gè)月前我還...
    沈念sama閱讀 45,501評(píng)論 2 354
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像秒拔,于是被迫代替她去往敵國(guó)和親莫矗。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,792評(píng)論 2 345

推薦閱讀更多精彩內(nèi)容

  • pyspark.sql模塊 模塊上下文 Spark SQL和DataFrames的重要類: pyspark.sql...
    mpro閱讀 9,446評(píng)論 0 13
  • Pandas是用來(lái)生成可視化表格砂缩,并且對(duì)表格進(jìn)行運(yùn)算的作谚。可以將numpy的數(shù)據(jù)進(jìn)行生成表格庵芭。在學(xué)習(xí)Q-Learni...
    猿鹿說(shuō)閱讀 428評(píng)論 0 1
  • 關(guān)鍵縮寫和包導(dǎo)入 在這個(gè)速查手冊(cè)中食磕,我們使用如下縮寫: df:任意的Pandas DataFrame對(duì)象s:任意的...
    驚蟄_a11a閱讀 1,233評(píng)論 0 0
  • ######導(dǎo)入 導(dǎo)出###############df=pd.read_excel('D:/1.xls')df....
    Neural_PDE閱讀 606評(píng)論 0 2
  • 因?yàn)槊總€(gè)月會(huì)分析部門內(nèi)部各個(gè)小團(tuán)隊(duì)的平均加班時(shí)長(zhǎng),以評(píng)估大家的工作量喳挑,每次手工分析純粹是重復(fù)邏輯工作彬伦,做多了之后便...
    miyasz閱讀 1,904評(píng)論 0 2