Python酷库之旅-第三方库Pandas(111)

news2024/11/16 13:40:59

目录

一、用法精讲

486、pandas.DataFrame.count方法

486-1、语法

486-2、参数

486-3、功能

486-4、返回值

486-5、说明

486-6、用法

486-6-1、数据准备

486-6-2、代码示例

486-6-3、结果输出

487、pandas.DataFrame.cov方法

487-1、语法

487-2、参数

487-3、功能

487-4、返回值

487-5、说明

487-6、用法

487-6-1、数据准备

487-6-2、代码示例

487-6-3、结果输出

488、pandas.DataFrame.cummax方法

488-1、语法

488-2、参数

488-3、功能

488-4、返回值

488-5、说明

488-6、用法

488-6-1、数据准备

488-6-2、代码示例

488-6-3、结果输出

489、pandas.DataFrame.cummin方法

489-1、语法

489-2、参数

489-3、功能

489-4、返回值

489-5、说明

489-6、用法

489-6-1、数据准备

489-6-2、代码示例

489-6-3、结果输出

490、pandas.DataFrame.cumprod方法

490-1、语法

490-2、参数

490-3、功能

490-4、返回值

490-5、说明

490-6、用法

490-6-1、数据准备

490-6-2、代码示例

490-6-3、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

486、pandas.DataFrame.count方法
486-1、语法
# 486、pandas.DataFrame.count方法
pandas.DataFrame.count(axis=0, numeric_only=False)
Count non-NA cells for each column or row.

The values None, NaN, NaT, pandas.NA are considered NA.

Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
If 0 or ‘index’ counts are generated for each column. If 1 or ‘columns’ counts are generated for each row.

numeric_only
bool, default False
Include only float, int or boolean data.

Returns:
Series
For each column/row the number of non-NA/null entries.
486-2、参数

486-2-1、axis(可选，默认值为0)：{0或'index', 1或'columns'}，0或'index'，沿着行的方向计算(即为每一列计数)；1或'columns'，沿着列的方向计算(即为每一行计数)。

486-2-2、numeric_only(可选，默认值为False)：布尔值，如果为True，则只会计算数值型数据的数量，对于非数值型数据将返回NaN。

486-3、功能

        用于计算DataFrame中每一列或每一行的非NA/null值的数量，默认情况下，它会计算每一列的非缺失值数量，也可以通过指定参数来计算每一行的数量。

486-4、返回值

        返回一个Series，其中包含每列或每行的非缺失值的数量。

486-5、说明

        无

486-6、用法
486-6-1、数据准备
无
486-6-2、代码示例
# 486、pandas.DataFrame.count方法
import pandas as pd
import numpy as np
# 创建一个示例DataFrame
data = {
    'A': [1, 2, np.nan, 4],
    'B': [np.nan, np.nan, np.nan, 1],
    'C': [1, 2, 3, 4]
}
df = pd.DataFrame(data)
# 计算每列的非NA数量
column_count = df.count()
print(column_count)
# 计算每行的非NA数量
row_count = df.count(axis=1)
print(row_count)
486-6-3、结果输出
# 486、pandas.DataFrame.count方法
# A    3
# B    1
# C    4
# dtype: int64
# 0    2
# 1    2
# 2    1
# 3    3
# dtype: int64
487、pandas.DataFrame.cov方法
487-1、语法
# 487、pandas.DataFrame.cov方法
pandas.DataFrame.cov(min_periods=None, ddof=1, numeric_only=False)
Compute pairwise covariance of columns, excluding NA/null values.

Compute the pairwise covariance among the series of a DataFrame. The returned data frame is the covariance matrix of the columns of the DataFrame.

Both NA and null values are automatically excluded from the calculation. (See the note below about bias from missing values.) A threshold can be set for the minimum number of observations for each value created. Comparisons with observations below this threshold will be returned as NaN.

This method is generally used for the analysis of time series data to understand the relationship between different measures across time.

Parameters:
min_periodsint, optional
Minimum number of observations required per pair of columns to have a valid result.

ddofint, default 1
Delta degrees of freedom. The divisor used in calculations is N - ddof, where N represents the number of elements. This argument is applicable only when no nan is in the dataframe.

numeric_onlybool, default False
Include only float, int or boolean data.

New in version 1.5.0.

Changed in version 2.0.0: The default value of numeric_only is now False.

Returns:
DataFrame
The covariance matrix of the series of the DataFrame.
487-2、参数

487-2-1、min_periods(可选，默认值为None)：整数，在计算协方差时，最小的观测值数量，只有在有效观测值数量大于或等于min_periods的情况下，才会计算协方差。

487-2-2、ddof(可选，默认值为1)：整数，自由度的调整，计算样本协方差时，通常设为1(这是样本协方差的默认计算方式)，如果设置为0，则计算总体协方差。

487-2-3、numeric_only(可选，默认值为False)：布尔值，如果为True，则只考虑数值型数据的列进行协方差计算。

487-3、功能

        用于计算DataFrame中各列之间的协方差矩阵，协方差矩阵是一个方阵，用于表示每对变量之间的协方差，能够帮助分析变量之间的关系。

487-4、返回值

        返回一个协方差矩阵(DataFrame)：

  • 行和列分别对应于DataFrame的列。
  • 矩阵中的每个值表示对应列之间的协方差。
487-5、说明

487-5-1、N/A处理：cov方法会自动忽略缺失值(NA)的行。

487-5-2、数值型数据：仅计算数值型列之间的协方差，非数值型列会被排除(如果numeric_only=True)。

487-5-3、自由度：ddof参数允许用户控制协方差的计算方式，常用于样本和总体之间的选择。

487-6、用法
487-6-1、数据准备
无
487-6-2、代码示例
# 487、pandas.DataFrame.cov方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [1, 2, 3, 4],
    'B': [4, 5, 6, 7],
    'C': [7, 8, 9, 10]
}
df = pd.DataFrame(data)
# 计算协方差矩阵
cov_matrix = df.cov()
print(cov_matrix)
487-6-3、结果输出
# 487、pandas.DataFrame.cov方法
#           A         B         C
# A  1.666667  1.666667  1.666667
# B  1.666667  1.666667  1.666667
# C  1.666667  1.666667  1.666667
488、pandas.DataFrame.cummax方法
488-1、语法
# 488、pandas.DataFrame.cummax方法
pandas.DataFrame.cummax(axis=None, skipna=True, *args, **kwargs)
Return cumulative maximum over a DataFrame or Series axis.

Returns a DataFrame or Series of the same size containing the cumulative maximum.

Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.

skipna
bool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.

*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.

Returns:
Series or DataFrame
Return cumulative maximum of Series or DataFrame.
488-2、参数

488-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积最大值，0表示按列计算，1表示按行计算。

488-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

488-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

488-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

488-3、功能

        用于计算DataFrame中每列或每行的累积最大值，它返回一个与原DataFrame形状相同的新DataFrame，其中每个值都是其前面所有值的最大值。

488-4、返回值

        返回一个与原DataFrame形状相同的新DataFrame，其中每个元素表示其前面所有元素的最大值。

488-5、说明

488-5-1、缺失值处理：如果skinpa为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

488-5-2、可用于时间序列：cummax方法也可以用于处理时间序列数据，有助于分析随时间推移的最大值变化。

488-5-3、效率：计算累积最大值的效率高，适用于大规模数据集

488-6、用法
488-6-1、数据准备
无
488-6-2、代码示例
# 488、pandas.DataFrame.cummax方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [1, 2, 3, 4],
    'B': [4, 3, 2, 1],
    'C': [1, 5, 2, 3]
}
df = pd.DataFrame(data)
# 计算累积最大值
cummax_df = df.cummax()
print(cummax_df)
488-6-3、结果输出
# 488、pandas.DataFrame.cummax方法
#    A  B  C
# 0  1  4  1
# 1  2  4  5
# 2  3  4  5
# 3  4  4  5
489、pandas.DataFrame.cummin方法
489-1、语法
# 489、pandas.DataFrame.cummin方法
pandas.DataFrame.cummin(axis=None, skipna=True, *args, **kwargs)
Return cumulative minimum over a DataFrame or Series axis.

Returns a DataFrame or Series of the same size containing the cumulative minimum.

Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.

skipna
bool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.

*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.

Returns:
Series or DataFrame
Return cumulative minimum of Series or DataFrame.
489-2、参数

489-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积最小值，0表示按列计算，1表示按行计算。

489-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

489-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

489-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

489-3、功能

        用于计算 DataFrame 中每列或每行的累积最小值，它返回一个与原 DataFrame 形状相同的新 DataFrame，其中每个值都是其前面所有值的最小值。

489-4、返回值

        返回一个与原 DataFrame 形状相同的新 DataFrame，其中每个元素表示其前面所有元素的最小值。

489-5、说明

489-5-1、缺失值处理：如果skipna为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

489-5-2、适用于时间序列：cummin方法也可以用于处理时间序列数据，有助于分析随时间推移的最小值变化。

489-5-3、效率：计算累积最小值的效率高，适用于大规模数据集。

489-6、用法
489-6-1、数据准备
无
489-6-2、代码示例
# 489、pandas.DataFrame.cummin方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [5, 3, 6, 2],
    'B': [1, 2, 4, 0],
    'C': [3, 7, 1, 5]
}
df = pd.DataFrame(data)
# 计算累积最小值
cummin_df = df.cummin()
print(cummin_df)
489-6-3、结果输出
# 489、pandas.DataFrame.cummin方法
#    A  B  C
# 0  5  1  3
# 1  3  1  3
# 2  3  1  1
# 3  2  0  1
490、pandas.DataFrame.cumprod方法
490-1、语法
# 490、pandas.DataFrame.cumprod方法
pandas.DataFrame.cumprod(axis=None, skipna=True, *args, **kwargs)
Return cumulative product over a DataFrame or Series axis.

Returns a DataFrame or Series of the same size containing the cumulative product.

Parameters:
axis
{0 or ‘index’, 1 or ‘columns’}, default 0
The index or the name of the axis. 0 is equivalent to None or ‘index’. For Series this parameter is unused and defaults to 0.

skipna
bool, default True
Exclude NA/null values. If an entire row/column is NA, the result will be NA.

*args, **kwargs
Additional keywords have no effect but might be accepted for compatibility with NumPy.

Returns:
Series or DataFrame
Return cumulative product of Series or DataFrame.
490-2、参数

490-2-1、axis(可选，默认值为None)：{0 or 'index', 1 or 'columns'}，指定沿哪个轴计算累积乘积，0表示按列计算，1表示按行计算。

490-2-2、skipna(可选，默认值为True)：布尔值，是否忽略缺失值(NaN)，如果为True，缺失值将被忽略；如果为False，结果中可能会出现NaN。

490-2-3、*args(可选)：其他的额外位置参数，通常在使用自定义函数时会用到。

490-2-4、**kwargs(可选)：其他的额外关键字参数，通常在使用自定义函数时会用到。

490-3、功能

        用于计算DataFrame中每列或每行的累积乘积，它返回一个与原DataFrame形状相同的新DataFrame，其中每个值都是其前面所有值的乘积。

490-4、返回值

        返回一个与原DataFrame形状相同的新DataFrame，其中每个元素表示其前面所有元素的乘积。

490-5、说明

490-5-1、缺失值处理：如果skipna为True，所有NaN值将被忽略；如果为False，结果中的任何NaN都会导致后续的结果也为NaN。

490-5-2、适用于时间序列：cumprod方法也可以用于处理时间序列数据，有助于分析随时间推移的乘积变化。

490-5-3、效率: 计算累积乘积的效率高，适用于大规模数据集。

490-6、用法
490-6-1、数据准备
无
490-6-2、代码示例
# 490、pandas.DataFrame.cumprod方法
import pandas as pd
# 创建一个示例DataFrame
data = {
    'A': [2, 3, 4],
    'B': [1, 2, 3],
    'C': [5, 6, 7]
}
df = pd.DataFrame(data)
# 计算累积乘积
cumprod_df = df.cumprod()
print(cumprod_df)
490-6-3、结果输出
# 490、pandas.DataFrame.cumprod方法
#     A  B    C
# 0   2  1    5
# 1   6  2   30
# 2  24  6  210

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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2090790.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

鸿蒙项目签名配置

鸿蒙项目签名配置

配置需要以下四个文件： 1. p12文件 2. csr文件 3. cer文件 打开AGC平台 点击申请调试证书 4. p7b文件 最后在项目中进行配置 配置项目的module.json5中
阅读更多...
selenium使用指南

selenium使用指南

🍅 点击文末小卡片 ，免费获取软件测试全套资料，资料在手，涨薪更快 概述 selenium是网页应用中最流行的自动化测试工具，可以用来做自动化测试或者浏览器爬虫等。官网地址为：相对于另外一款web自动化测试工…
阅读更多...
Linux安装Hadoop（单机版）详细教程

Linux安装Hadoop（单机版）详细教程

目录 一、JDK安装 1、下载JDK安装包 2、解压下载的JDK安装包 3、移动并重命名JDK包 4、配置Java环境变量 5、验证安装是否成功 二、Hadoop安装 1、下载Hadoop安装包 2、解压Hadoop安装包 3、配置Hadoop环境变量 4、修改配置文件 5、验证Hadoop是否安装成功 三&…
阅读更多...
C# 开发环境搭建（Avalonia UI、Blazor Web UI、Web API 应用示例）

C# 开发环境搭建（Avalonia UI、Blazor Web UI、Web API 应用示例）

文章目录 C# 文档.NET SDK 下载安装 .NET SDK安装完验证VS Code 配置C# 开发插件settings.json WPF UI 框架Avalonia UI 框架创建 Avalonia 项目Avalonia 官方示例Avalonia 桌面 UI 库 Blazor Web UI 框架创建应用项目结构 ASP.NET Core 控制器创建 Web APIdotnet 命令dotnet n…
阅读更多...
探索Unity与C#的无限潜能：从新手到高手的编程之旅

探索Unity与C#的无限潜能：从新手到高手的编程之旅

在数字创意与技术创新交织的今天，Unity游戏引擎凭借其强大的跨平台能力和灵活的编程接口，成为了无数开发者心中的首选。而C#，作为Unity的官方脚本语言，更是以其面向对象的特性和丰富的库支持，为游戏开发注入了无限可能…
阅读更多...
克隆技术在代码溯源和复用及变更分析中的应用

克隆技术在代码溯源和复用及变更分析中的应用

摘要： 克隆技术已在软件代码溯源分析领域得到广泛应用，而轩宇软件成分分析系统基于溯源分析和同源分析技术，通过先进的特征向量提取、相似性匹配、高效检索引擎等多项技术，帮助企业高效识别代码来源、评估自主可控率，…
阅读更多...
【数据结构】关于哈希表内部原理，你到底了解多少？？？（超详解）

【数据结构】关于哈希表内部原理，你到底了解多少？？？（超详解）

前言： 🌟🌟本期讲解关于哈希表的内部实现原理，希望能帮到屏幕前的你。 🌈上期博客在这里：http://t.csdnimg.cn/7D225 🌈感兴趣的小伙伴看一看小编主页：GGBondlctrl-CSDN博客 目录 &a…
阅读更多...
安嘉空间：智慧科技守护空间健康

安嘉空间：智慧科技守护空间健康

在当今社会，随着人们对生活质量要求的不断提升，室内环境的健康与安全问题日益受到重视。安嘉空间，作为一家致力于人居健康空间技术研发的高科技企业，以其独创的技术和卓越的产品，为广大用户提供了一套全面的空间健康解…
阅读更多...
进销存自动统计单据表格——未来之窗行业应用跨平台架构

进销存自动统计单据表格——未来之窗行业应用跨平台架构

一、代码 function 未来之窗_人工智能_计算单据(objbyclass,obj目标显示,obj目标值){console.log("未来之窗_人工智能_计算单据"objbyclass);var 计算结果0;$("."objbyclass).each(function(){var 输入框值 $(this).val();console.log("输入框值"…
阅读更多...
去中心化（Decentralization)

去中心化（Decentralization)

去中心化（Decentralization) 并不是一个新概念，它已在战略、管理和政府中使用了很长时间。去中心化的基本思想是将控制权和权限分配给组织的外围，而不是由一个中心机构完全控制组织。这种配置为组织带来了许多好处，例如提高了效率…
阅读更多...
欧洲用户对中国应用程序的感知：一个复杂的挂毯

欧洲用户对中国应用程序的感知：一个复杂的挂毯

在数字时代，中国应用程序迅速在全球范围内占有一席之地，吸引了全球用户的注意力和好奇心。在欧洲，这些应用程序引发了人们的兴趣、阴谋和担忧，不同国家和人口统计数据的看法差异很大。 对中国应用程序感兴趣的主要驱动力之一是它…
阅读更多...
git命令使用详情

git命令使用详情

目录 一. 安装教程 二. git配置 1. 查看git配置参数 2. 设置邮箱和用户名 3. SSH配置 4. 配置git远程库公钥 5. 编码设置 三. git 提交流程 1. 整体操作流程图 2. Git仓库包含5个区域 3. 下载、提交、更新命令 3.1. 下载 3.2. 提交 3.3. 更新（两种方式…
阅读更多...
无人机 PX4 飞控 | ROS应用层开发：基础代码框架构建

无人机 PX4 飞控 | ROS应用层开发：基础代码框架构建

无人机 PX4 飞控 | ROS应用层开发：基础代码框架构建 基础代码框架构建文件建立代码基本构建测试 基础代码框架构建 本篇博客拟在构建一个 无人机 PX4 飞控 ROS应用层开发 的 基础代码框架。 其中包含了基础类文件、类头文件、main主函数文件，及其编译所…
阅读更多...
数据结构-c/c++实现栈（详解，栈容量可以动态增长）

数据结构-c/c++实现栈（详解，栈容量可以动态增长）

一.栈的基本介绍 栈是一种只能够在一端进行插入和删除的顺序表。如下图 空栈：表示不含任何元素的栈 栈顶：表示允许进行插入和删除元素的一端 栈底：表示不允许进行插入和删除元素的一端 即栈是一种后进先出的线性表数据结构 二.栈的常见操…
阅读更多...
Redis高级---面试总结之内存过期策略及其淘汰策略

Redis高级---面试总结之内存过期策略及其淘汰策略

目前已更新系列： 当前：Redis高级---面试总结之内存过期策略及其淘汰策略 并发编程之----线程池ThreadPoolExecutor,Excutors的使用及其工作原理 Redis高级----主从、哨兵、分片、脑裂原理-CSDN博客 计算机网络--面试知识总结一 计算机网络-----面试知…
阅读更多...
【深度学习】yolov8的微调

【深度学习】yolov8的微调

yolov8的集成度太高了，除了config的哪些参数以外，需要更精细的微调。 比如这里： https://github.com/ultralytics/ultralytics/blob/main/ultralytics/utils/tuner.py 应用场景，交通标志的向左转，向右转之类的&#x…
阅读更多...
Golang | Leetcode Golang题解之第384题打乱数组

Golang | Leetcode Golang题解之第384题打乱数组

题目： 题解： type Solution struct {nums, original []int }func Constructor(nums []int) Solution {return Solution{nums, append([]int(nil), nums...)} }func (s *Solution) Reset() []int {copy(s.nums, s.original)return s.nums }func (s *Solu…
阅读更多...
STM32G474之HAL_Delay()会导致死机的原因

STM32G474之HAL_Delay()会导致死机的原因

使用HAL库需要HAL_Delay()函数支持，离开这个函数，和这个函数有关的函数就无法调用了。遇到这个问题，我们肯定会否定HAL库，也确实它是有点差，但也有好的一面。 为什么HAL库初始化了SysTick定时器，也使能了相…
阅读更多...
书生大模型实战营（1）——InterStudio基础知识+Vscode SSH连接远程服务器+Linux基础指令

书生大模型实战营（1）——InterStudio基础知识+Vscode SSH连接远程服务器+Linux基础指令

参加书生.浦江大模型实战训练营，学习大模型知识和微调技术，所有课程免费，通过闯关的形式学习，也比较有趣。一起来了解LLM的世界。邀请链接 产品简介 InternStudio 是大模型时代下的云端算力平台。基于 InternLM 组织下的诸多算法…
阅读更多...
Android Handler消息机制完全解析(二)

Android Handler消息机制完全解析(二)

欢迎转载，转载请注明出处：https://blog.csdn.net/dmk877/article/details/141690289 在阅读本篇博客之前建议先阅读此篇 Android Handler消息机制完全解析(一) 在看Looper源码之前必须要理解ThreadLocal，ThreadLocal在Handler消息机制中起到…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023