这篇文章主要介绍Pandas常用的功能有哪些，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
首先我们还是随机产生一个数据表，5行3列的数据框。保存到csv文件并读取。
计算
安全
数据库
网络和加速
企业服务
import pandas as pdimport numpy as npsample = np.array(np.random.randint(0,100, size=15))sample_reshape = sample.reshape((5,3))sample_pd = pd.DataFrame(sample_reshape)sample_pd.to_csv("sample.csv",header=None, index=None)import pandas as pdimport numpy as npsample = pd.read_csv("sample.csv", header=None)print sample.head()""" 0 1 20 6 40 241 5 24 562 59 21 443 58 4 254 83 74 58"""＃ 排序
首先介绍一下如何对数据框进行排序，总的来说，pandas提供两种排序方法，一个是根据索引值排序，一个是根据数据框中某一列或者某一行排序，这个就和Excel中的排序是一样的，但是它排序的结果是扩展到整个数据表的，不是按照单独一行或者一列排序，如果要对行或者列单独排序，可以首先把行或者列索引出来，然后在排序。
## sort_index
by参数指定列名，axis默认为0， 桉列排序,排序之后得到4， 21， 24,40， 74，可以指定axis为1，按行排序， 结果为5， 24， 56。
import pandas as pdsample = pd.read_csv("sample.csv", header=None)sort_index_1 = sample.sort_index(by=1)print sort_index_1""" 0 1 23 58 4 252 59 21 441 5 24 560 6 40 244 83 74 58"""sort_index_axis_1 = sample.sort_index(by=1, axis=1)print sort_index_axis_1""" 0 1 20 6 40 241 5 24 562 59 21 443 58 4 254 83 74 58"""ascending参数指定降序排序，由大到小。
sort_index_ascend = sample.sort_index(by=1, ascending=False)print sort_index_ascend""" 0 1 24 83 74 580 6 40 241 5 24 562 59 21 443 58 4 25"""＃＃sort_values
通过结果，我们发现sort_values和sort_index几乎是相同的。But， sort_index后面将会被弃用。。。所以大家也可以只学习sort_values的用法。
import pandas as pdsample = pd.read_csv("sample.csv", header=None)sample_sort_value = sample.sort_values(by=1)print sample_sort_valueprint " - * - " * 5sample_sort_axis = sample.sort_values(by=1, axis=1)print sample_sort_axisprint " - * - " * 5sort_value_ascend = sample.sort_values(by=1, ascending=False)print sort_value_ascend""" 0 1 23 58 4 252 59 21 441 5 24 560 6 40 244 83 74 58 - * - - * - - * - - * - - * - 0 1 20 6 40 241 5 24 562 59 21 443 58 4 254 83 74 58 - * - - * - - * - - * - - * - 0 1 24 83 74 580 6 40 241 5 24 562 59 21 443 58 4 25"""下面我们看个稍微高级点的玩法，如果要按照某一行或者列的最大值来排序，该怎么做。首先我们新添加一列，用来求每一行的最大值。然后我们根据最大值降序排序就可以了。
import pandas as pdsample = pd.read_csv("sample.csv", header=None)sample['row_max'] = sample.apply(lambda x: x.max(), axis=1)new = sample.sort_values(by='row_max', ascending=False)print new """ 0 1 2 row_max4 83 74 58 832 59 21 44 593 58 4 25 581 5 24 56 560 6 40 24 40"""学会怎么按照最大值排序，那么按照其他统计量也就可以了，比如均值，最小值等等。
# apply, applymap, map
这三个函数中，前两个是针对DataFrame使用的， 而map是针对Series使用的。 首先看一下函数文档，也就基本清楚他们怎么用了。
DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)
DataFrame.applymap(func)
Series.map(arg, na_action=None)
apply函数是将一个函数func，应用到DataFrame的元素中，其中axis指定数据的维度，其他几个参数不常用，这里不说了， 然后大家有需要用的时候可以去看看。applymap是将函数func直接应用到每一个元素中；map函数是将值和某个Series对应起来，下面看个栗子。
import pandas as pdimport numpy as npdf = pd.DataFrame(np.random.randn(3, 3))print dfprint df = df.applymap(lambda x: '%.2f' % x)print df""" 0 1 20 0.776506 -0.605382 1.8430361 0.522743 1.267487 1.2882862 0.495450 0.583332 -0.590918 0 1 20 0.78 -0.61 1.841 0.52 1.27 1.292 0.50 0.58 -0.59"""import pandas as pdx = pd.Series([1, 2, 3], index=['one', 'two', 'three'])print xy = pd.Series(['foo', 'bar', 'baz'], index=[1, 2, 3])printprint yprintprint x.map(y)"""one 1two 2three 3dtype: int641 foo2 bar3 bazdtype: objectone footwo barthree bazdtype: object"""# 分组
DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)
然后还是之前的数据，我们新添加一列，列名为key1，分组的意思就是将数据框以某种标志分为不同的组，这里选择key1作为分组依据，这样就分为了两组，分组的作用的我们可以分别统计各自组内的统计量。比如要分析不同性别，不同年龄段等等问题的时候，就会用到分组统计。
注意这里grouped是一个SeriesGroupBy 对象，具体统计的时候，需要用SeriesGroupBy 的方法。
import pandas as pdsample = pd.read_csv("sample.csv", header=None)sample['key1'] = ['a', 'b', 'b', 'a', 'b']print sampleprintgrouped = sample[1].groupby(sample['key1'])print groupedprintprint grouped.mean()printprint grouped.max()""" 0 1 2 key10 6 40 24 a1 5 24 56 b2 59 21 44 b3 58 4 25 a4 83 74 58 b<pandas.core.groupby.SeriesGroupBy object at 0x0000000005E2ED68>key1a 22.000000b 39.666667Name: 1, dtype: float64key1a 40b 74Name: 1, dtype: int64"""以上是“Pandas常用的功能有哪些”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
原文链接：https://my.oschina.net/alvinpy/blog/4392256
