目录
一、用法精讲
431、pandas.DataFrame.items方法
431-1、语法
431-2、参数
431-3、功能
431-4、返回值
431-5、说明
431-6、用法
431-6-1、数据准备
431-6-2、代码示例
431-6-3、结果输出
432、pandas.DataFrame.keys方法
432-1、语法
432-2、参数
432-3、功能
432-4、返回值
432-5、说明
432-6、用法
432-6-1、数据准备
432-6-2、代码示例
432-6-3、结果输出
433、pandas.DataFrame.iterrows方法
433-1、语法
433-2、参数
433-3、功能
433-4、返回值
433-5、说明
433-6、用法
433-6-1、数据准备
433-6-2、代码示例
433-6-3、结果输出
434、pandas.DataFrame.itertuples方法
434-1、语法
434-2、参数
434-3、功能
434-4、返回值
434-5、说明
434-6、用法
434-6-1、数据准备
434-6-2、代码示例
434-6-3、结果输出
435、pandas.DataFrame.pop方法
435-1、语法
435-2、参数
435-3、功能
435-4、返回值
435-5、说明
435-6、用法
435-6-1、数据准备
435-6-2、代码示例
435-6-3、结果输出
二、推荐阅读
1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
一、用法精讲
431、pandas.DataFrame.items方法
431-1、语法
# 431、pandas.DataFrame.items方法
pandas.DataFrame.items()
Iterate over (column name, Series) pairs.
Iterates over the DataFrame columns, returning a tuple with the column name and the content as a Series.
Yields:
label
object
The column names for the DataFrame being iterated over.
content
Series
The column entries belonging to each label, as a Series.431-2、参数
无
431-3、功能
返回一个生成器，它生成一个(column name, Series)元组，对于每个元组，column name是列的名称，而Series是该列的数据。
431-4、返回值
返回一个迭代器，每次迭代会生成一个(column name, Series)对。
431-5、说明
无
431-6、用法
431-6-1、数据准备
无431-6-2、代码示例
# 431、pandas.DataFrame.items方法
import pandas as pd
# 创建一个简单的DataFrame
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
# 使用items()方法迭代DataFrame的列
for column_name, series in df.items():
print(f"Column name: {column_name}")
print(f"Column data:\n{series}\n")431-6-3、结果输出
# 431、pandas.DataFrame.items方法
# Column name: A
# Column data:
# 0 1
# 1 2
# 2 3
# Name: A, dtype: int64
#
# Column name: B
# Column data:
# 0 4
# 1 5
# 2 6
# Name: B, dtype: int64
#
# Column name: C
# Column data:
# 0 7
# 1 8
# 2 9
# Name: C, dtype: int64432、pandas.DataFrame.keys方法
432-1、语法
# 432、pandas.DataFrame.keys方法
pandas.DataFrame.keys()
Get the ‘info axis’ (see Indexing for more).
This is index for Series, columns for DataFrame.
Returns:
Index
Info axis.432-2、参数
无
432-3、功能
返回一个包含列名的Index对象。
432-4、返回值
返回一个pandas Index对象，其中包含DataFrame的所有列名。
432-5、说明
无
432-6、用法
432-6-1、数据准备
无432-6-2、代码示例
# 432、pandas.DataFrame.keys方法
import pandas as pd
# 创建一个简单的DataFrame
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
# 使用keys()方法获取DataFrame的列名
column_names = df.keys()
# 打印列名
print(column_names)432-6-3、结果输出
# 432、pandas.DataFrame.keys方法
# Index(['A', 'B', 'C'], dtype='object')433、pandas.DataFrame.iterrows方法
433-1、语法
# 433、pandas.DataFrame.iterrows方法
pandas.DataFrame.iterrows()
Iterate over DataFrame rows as (index, Series) pairs.
Yields:
index
label or tuple of label
The index of the row. A tuple for a MultiIndex.
data
Series
The data of the row as a Series.433-2、参数
无
433-3、功能
逐行遍历DataFrame，并将每行的数据以Series的形式返回。
433-4、返回值
返回一个迭代器对象，每次迭代返回一个(index,Series)对。
433-5、说明
433-5-1、iterrows()的性能相对较低，因为每行都被转换为一个pandas Series对象，这可能会导致在处理大型DataFrame时的效率低下。
433-5-2、DataFrame中的dtypes可能在iterrows()过程中发生变化，因为每行返回的Series可能会自动转换为最适合存储该行数据的dtype。
433-5-3、如果需要更高效地遍历行，可以考虑使用DataFrame.itertuples()，它返回的是命名元组，性能更佳。
433-6、用法
433-6-1、数据准备
无433-6-2、代码示例
# 433、pandas.DataFrame.iterrows方法
import pandas as pd
# 创建一个简单的DataFrame
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
# 使用iterrows方法遍历DataFrame的每一行
for index, row in df.iterrows():
print(f"Index: {index}")
print(f"Row data:\n{row}\n")433-6-3、结果输出
# 433、pandas.DataFrame.iterrows方法
# Index: 0
# Row data:
# A 1
# B 4
# C 7
# Name: 0, dtype: int64
#
# Index: 1
# Row data:
# A 2
# B 5
# C 8
# Name: 1, dtype: int64
#
# Index: 2
# Row data:
# A 3
# B 6
# C 9
# Name: 2, dtype: int64434、pandas.DataFrame.itertuples方法
434-1、语法
# 434、pandas.DataFrame.itertuples方法
pandas.DataFrame.itertuples(index=True, name='Pandas')
Iterate over DataFrame rows as namedtuples.
Parameters:
index
bool, default True
If True, return the index as the first element of the tuple.
name
str or None, default “Pandas”
The name of the returned namedtuples or None to return regular tuples.
Returns:
iterator
An object to iterate over namedtuples for each row in the DataFrame with the first field possibly being the index and following fields being the column values.434-2、参数
434-2-1、index(可选，默认值为True)：指定是否在返回的命名元组中包含DataFrame的行索引(即行标签)。当index=True时，返回的命名元组的第一个元素将是该行的索引(即行标签)；当index=False时，索引不会包含在返回的命名元组中，只返回列的数据。
434-2-2、name(可选，默认值为'Pandas')：指定返回的命名元组的名称，该参数允许你为返回的命名元组指定一个自定义的名称，如果将name=None，则返回的是普通的元组，而不是命名元组。
434-3、功能
用于生成DataFrame每行的一个命名元组，并提供了可选参数用于定制返回的命名元组结构。
434-4、返回值
返回一个生成器，每次迭代生成一个表示DataFrame一行数据的命名元组或普通元组(取决于name参数)，命名元组的字段名与DataFrame的列标签相对应，当index=True时，第一个字段名为Index，表示行索引。
434-5、说明
434-5-1、性能优势：itertuples()比iterrows()更高效，特别是在处理大规模数据时，建议使用itertuples()。
434-5-2、字段名称限制：DataFrame列标签在命名元组中会转换为有效的Python标识符，如果列名中有非法字符(如空格、数字开头等)，这些字符会被替换或忽略。
434-5-3、无法修改数据：使用itertuples()只能读取数据，而不能直接修改DataFrame的数据。
434-6、用法
434-6-1、数据准备
无434-6-2、代码示例
# 434、pandas.DataFrame.itertuples方法
import pandas as pd
# 创建一个简单的DataFrame
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
# 使用itertuples方法遍历DataFrame的每一行，包含索引并命名元组为'Pandas'
for row in df.itertuples(index=True, name='Pandas'):
print(row)
# 使用itertuples方法遍历DataFrame的每一行，不包含索引并命名元组为'CustomName'
for row in df.itertuples(index=False, name='CustomName'):
print(row)434-6-3、结果输出
# 434、pandas.DataFrame.itertuples方法
# Pandas(Index=0, A=1, B=4, C=7)
# Pandas(Index=1, A=2, B=5, C=8)
# Pandas(Index=2, A=3, B=6, C=9)
# CustomName(A=1, B=4, C=7)
# CustomName(A=2, B=5, C=8)
# CustomName(A=3, B=6, C=9)435、pandas.DataFrame.pop方法
435-1、语法
# 435、pandas.DataFrame.pop方法
pandas.DataFrame.pop(item)
Return item and drop from frame. Raise KeyError if not found.
Parameters:
item
label
Label of column to be popped.
Returns:
Series435-2、参数
435-2-1、item(必须)：字符串，指定要移除的列的名称(即列标签)，该参数必须是DataFrame中存在的列名，否则会引发KeyError。
435-3、功能
用于移除DataFrame中的指定列(以列标签的方式指定)，该方法不仅会从DataFrame中删除这个列，还会将其作为一个Series返回。
435-4、返回值
返回被移除的列的数据，以Series的形式。
435-5、说明
435-5-1、列名必须存在：pop()方法要求item参数指定的列名必须存在于DataFrame中，否则会引发KeyError。
435-5-2、不可逆操作：pop()是一个不可逆操作，一旦执行该操作并删除了列后，如果没有保存返回的Series数据，就无法恢复该列。
435-5-3、直接修改DataFrame：pop()方法直接修改调用该方法的DataFrame，会实质性地移除指定的列。
435-5-4、性能：相对来说，pop()比在删除列后重新赋值更高效，因为它会直接修改原始的数据结构。
435-6、用法
435-6-1、数据准备
无435-6-2、代码示例
# 435、pandas.DataFrame.pop方法
import pandas as pd
# 创建一个示例DataFrame
df = pd.DataFrame({
'A': [1, 2, 3],
'B': [4, 5, 6],
'C': [7, 8, 9]
})
# 输出原始DataFrame
print("原始DataFrame：")
print(df)
# 使用pop方法移除列'B'
removed_column = df.pop('B')
# 输出被移除的列
print("\n被移除的列'B'：")
print(removed_column)
# 输出移除列'B'后的DataFrame
print("\n移除列后DataFrame：")
print(df)435-6-3、结果输出
# 435、pandas.DataFrame.pop方法
# 原始DataFrame：
# A B C
# 0 1 4 7
# 1 2 5 8
# 2 3 6 9
#
# 被移除的列'B'：
# 0 4
# 1 5
# 2 6
# Name: B, dtype: int64
#
# 移除列后DataFrame：
# A C
# 0 1 7
# 1 2 8
# 2 3 9
