文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Pandas 2.2 中文官方教程和指南（十六）

逻辑操作 对于逻辑操作，NA 遵循 三值逻辑（或Kleene 逻辑，类似于 R、SQL 和 Julia）。这种逻辑意味着只有在逻辑上需要时才传播缺失值。...例如，对于逻辑“或”操作（|），如果操作数之一是True，我们已经知道结果将是True，无论另一个值是什么（因此无论缺失值是True还是False）。...当在if语句中使用Series或DataFrame对象时，会出现类似情况，请参阅在 pandas 中使用 if/truth 语句。...算术和比较操作中的传播 一般来说，在涉及NA的操作中，缺失值会传播。...逻辑操作 对于逻辑操作，NA遵循三值逻辑（或Kleene 逻辑，类似于 R、SQL 和 Julia）。这种逻辑意味着只在逻辑上需要时传播缺失值。

16610
您找到你想要的搜索结果了吗？
是的
没有找到

Pandas 2.2 中文官方教程和指南（九·三）

这将导致在将来版本中出现歧义错误。...例如，只有少数几种方法可以原地修改 DataFrame： 插入、删除或修改列。 分配给index或columns属性。 对于同质数据，可以通过values属性或高级索引直接修改值。...但是，如果errors='coerce'，这些错误将被忽略，pandas 将把有问题的元素转换为pd.NaT（对于日期时间和时间增量）或np.nan（对于数值）。...float64 dtype: object 默认值 默认情况下，整数类型为int64，浮点数类型为float64，不受平台（32 位或 64 位）影响。...但是，如果errors='coerce'，这些错误将被忽略，pandas 将把有问题的元素转换为pd.NaT（对于日期时间和时间间隔）或np.nan（对于数值）。

22900

数据科学 IPython 笔记本 7.7 处理缺失数据

'' 在数组中使用 Python 对象也意味着，如果你在一个带有None值的数组中执行sum()或min()之类的聚合，你通常会得到错误： vals1.sum() ''' --------------...无论操作如何，NaN的算术结果都是另一个NaN： 1 + np.nan # nan 0 * np.nan # nan 请注意，这意味着值的聚合是定义良好的（即，它们不会导致错误），但并不总是有用..., 2, None]) ''' 0 1.0 1 NaN 2 2.0 3 NaN dtype: float64 ''' 对于没有可用标记值的类型，当存在 NA 值时，Pandas...转换为float64 np.nan boolean 转换为object None或np.nan 请记住，在 Pandas 中，字符串数据始终与object dtype一起存储。...data.fillna(method='bfill') ''' a 1.0 b 2.0 c 2.0 d 3.0 e 3.0 dtype: float64 ''' 对于DataFrame

4K20

数据科学 IPython 笔记本 7.6 Pandas 中的数据操作

这意味着，保留数据的上下文并组合来自不同来源的数据 - 这两个在原始的 NumPy 数组中可能容易出错的任务 - 对于 Pandas 来说基本上是万无一失的。...California 90.413926 New York NaN Texas 38.018740 dtype: float64 ''' 所得数组包含两个输入数组的索引的并集...对于 Python 的任何内置算术表达式，索引匹配是以这种方式实现的；默认情况下，任何缺失值都使用NaN填充： A = pd.Series([2, 4, 6], index=[0, 1, 2]) B =...pd.Series([1, 3, 5], index=[1, 2, 3]) A + B ''' 0 NaN 1 5.0 2 9.0 3 NaN dtype: float64...中的数据操作将始终维护数据上下文，这可以防止在处理原始 NumPy 数组中的异构和/或未对齐数据时，可能出现的愚蠢错误。

2.7K10

用Pandas处理缺失值

在标签方法中， 标签值可能是具体的数据（例如用 -9999 表示缺失的整数） ， 也可能是些极少出现的形式。另外， 标签值还可能是更全局的值， 比如用 NaN（不是一个数） 表示缺失的浮点数。...dev. of 7 runs, 100 loops each) 使用 Python 对象构成的数组就意味着如果你对一个包含 None 的数组进行累计操作， 如 sum() 或者 min()， 那么通常会出现类型错误..., 2, None]) 0 1.0 1 NaN 2 2.0 3 NaN dtype: float64 Pandas 会将没有标签值的数据类型自动转换为 NA。...: float64 除了将整型数组的缺失值强制转换为浮点数， Pandas 还会自动将 None 转换为 NaN。...强制转换为 float64 np.nan floating 浮点型 无变化 np.nan boolean 布尔类型 强制转换为 object None 或 np.nan 需要注意的是， Pandas

2.8K10

Python数据科学手册（六）【Pandas 处理丢失的数据】

Pandas中的数据丢失 Pandas中处理数据丢失的方法受制于Numpy，尽管Numpy提供了掩码机制，但是在存储、计算和代码维护来说，并不划算，所以Pandas使用哨兵机制来处理丢失的数据。...pd.Series([1, np.nan, 2, None]) 结果为： 0 1.0 1 NaN 2 2.0 3 NaN dtype: float64 对于某些不支持哨兵值的数据类型...how的默认值为any， 也就是说任意行或者列只要出现NA值就删除，如果修改为all，则只有所有值都为NA的时候才会删除。...1.0 b 1.0 c 2.0 d 2.0 e 3.0 dtype: float64 还可以使用后一个值来填充： # back-fill data.fillna(method='...bfill') 结果为： a 1.0 b 2.0 c 2.0 d 3.0 e 3.0 dtype: float64 对于DataFrame，可以指定填充的轴: df.fillna

2.3K30

Pandas 2.2 中文官方教程和指南（九·一）

对于非数字 Series 对象，describe() 将提供关于唯一值数量和最频繁出现值的简单摘要： In [101]: s = pd.Series(["a", "a", "b", "b", "a",...: int64 类似地，您可以获取 Series 或 DataFrame 中值的最频繁出现的值（即众数）： In [125]: s5 = pd.Series([1, 1, 3, 3, 3, 5, 5,...例如，只有少数几种方法可以原地更改 DataFrame： 插入、删除或修改列。 分配给index或columns属性。 对于同质数据，可以通过values属性或高级索引直接修改值。...C uint8 dtype: object 默认值 默认情况下，整数类型为int64，浮点类型为float64，不受平台（32 位或 64 位）影响。...但是，如果errors='coerce'，这些错误将被忽略，pandas 将把有问题的元素转换为pd.NaT（对于日期时间和时间间隔）或np.nan（对于数值）。

8300

Python Pandas 的使用——Series

: int64 由原先的 [‘b’, ‘a’, ‘c’] 变成了指定的 [‘a’,‘b’,‘c’]，对于指定索引names未出现的index ’d’ ，则自动过滤掉了，若names中出现dict中没有的索引...(5, index=['a', 'b', 'c']) series7 = pd.Series(5.0, index=['a', 'b', 'c']) # 对于创建float64来说，可缩写标量，eg：...No.2     Kim No.3    Andy No.4     填充值 dtype: object   method参数      ffill或pad：前向填充，即将缺失值的前一个索引的值填充在缺失值位置上...bfill或backfill：后向（或进位）填充，即将缺失值的后一个索引的值填充在缺失值位置上  s = pd.Series(['Tom', 'Kim', 'Andy'], index=['No.1',...的值作为填充值 dtype: object     rs2 No.0    Tom No.1    Tom     No.4    NaN     # 取No.5的值作为填充值，即NaN No.5

92500

简单概括精髓，pandas必知必会

0.609003 dtype: float64 数据的统计分析 在pandas当中用describe()方法来对表格中的数据做一个概括性的统计分析，例如 series2.describe() output...: float64 对于离散型的数据来说，describe()方法给出的结果则会简洁很多 s = pd.Series(["a", "a", "b", "b", "a", "a", "d", "c", "...()方法 pandas当中的value_counts()方法主要用于数据表的计数以及排序，用来查看表格当中，指定列有多少个不同的数据值并且计算不同值在该列当中出现的次数，先来看一个简单的例子 df =...: int64 可以看到北京出现了3次，上海出现了2次，并且默认采用的是降序来排列的，下面我们来看一下用升序的方式来排列一下收入这一列 df["收入"].value_counts(ascending=True...50 0.1 43 0.1 34 0.1 40 0.1 45 0.1 32 0.1 25 0.4 Name: 年龄, dtype: float64

29820
点击加载更多

扫码

添加站长 进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

更多标签

活动推荐

    运营活动

    活动名称
    广告关闭

    腾讯云开发者

    扫码关注腾讯云开发者

    扫码关注腾讯云开发者

    领取腾讯云代金券

    热门产品

    热门推荐

    更多推荐

    Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

    深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

    腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

    领券