Руководство пользователя
Руководство пользователя охватывает все разделы pandas по темам. Каждый подраздел представляет тему (например, «работа с пропущенными данными») и описывает подход pandas к этой проблеме, с множеством примеров.
Пользователи, только начинающие работать с pandas, должны начать с 10 минут с pandas.
Для краткого обзора основных принципов pandas см. Введение в структуры данных и Основные базовые функции.
Дополнительную информацию о любом конкретном методе можно получить в Справочнике API.
Как читать эти руководства
В этих руководствах вы увидите код ввода в блоках кода, таких как:
import pandas as pd
pd.DataFrame({'A': [1, 2, 3]})
или:
In [1]: import pandas as pd
In [2]: pd.DataFrame({'A': [1, 2, 3]})
Out[2]:
A
0 1
1 2
2 3
Первый блок — это стандартный ввод Python, а во втором блок In [1]: указывает, что ввод находится в блокноте. В Jupyter Notebook печатается последняя строка и отображаются графики.
Например:
In [3]: a = 1
In [4]: a
Out[4]: 1
эквивалентно:
a = 1
print(a)
Руководства
- 10 минут с pandas
- Введение в структуры данных
- Основные базовые функции
- Инструменты ввода-вывода (текст, CSV, HDF5, …)
-
Индексирование и выбор данных
- Разные варианты индексирования
- Основы
- Доступ к атрибутам
- Срезы диапазонов
- Выбор по метке
- Выбор по позиции
- Выбор по вызываемому объекту
- Комбинирование позиционного и основанного на метке индексирования
- Индексирование списком с отсутствующими метками устарело
- Выбор случайных выборок
- Установка с увеличением
- Быстрое получение и установка скалярных значений
- Булево индексирование
- Индексирование с isin
- Метод where и маскирование
- Установка с увеличением условно с использованием numpy
- Метод query
- Дубликаты данных
- Метод get, подобный словарю
- Поиск значений по индексу/меткам столбцов
- Объекты индекса
- Установка/сброс индекса
- Возврат представления по сравнению с копией
- MultiIndex / расширенное индексирование
- Объединение, присоединение, конкатенация и сравнение
-
Преобразование формы и сводные таблицы
- Преобразование формы путём поворота объектов DataFrame
- Преобразование формы путём укладки и выгрузки
- Преобразование формы путём melt
- Комбинирование со статистикой и GroupBy
- Сводные таблицы
- Перекрёстные сводки
- Мозаика
- Вычисление индикаторных/фиктивных переменных
- Факторизация значений
- Примеры
- Развертывание столбца, подобного списку
- Работа с текстовыми данными
-
Работа с пропущенными данными
- Значения, считающиеся «пропущенными»
- Вставка пропущенных данных
- Вычисления с пропущенными данными
- Сумма/произведение пустых/NaN
- Значения NA в GroupBy
- Заполнение пропущенных значений: fillna
- Заполнение объектом Pandas
- Удаление меток осей с пропущенными данными: dropna
- Интерполяция
- Замена общих значений
- Замена строк/регулярных выражений
- Числовая замена
- Экспериментальный
NAскаляр для обозначения пропущенных значений
- Дубликаты меток
- Категориальные данные
- Тип данных целых чисел с возможностью пропущенных значений
- Тип данных булевых значений с возможностью пропущенных значений
- Визуализация диаграмм
-
Визуализация таблиц
- Объект Styler и HTML
- Форматирование отображения
- Методы добавления стилей
- Стили таблиц
- Установка классов и ссылка на внешний CSS
- Функции Styler
- Подсказки и заголовки
- Более тонкий контроль с использованием срезов
- Оптимизация
- Встроенные стили
- Обмен стилями
- Ограничения
- Другие полезные вещи
- Экспорт в Excel
- Экспорт в LaTeX
- Дополнительная информация о CSS и HTML
- Расширяемость
- Группировка: split-apply-combine
- Операции с окнами
-
Функции работы со временными рядами/датами
- Обзор
- Маркеры времени против временных промежутков
- Преобразование в маркеры времени
- Генерация диапазонов маркеров времени
- Ограничения маркеров времени
- Индексирование
- Компоненты времени/даты
- Объекты DateOffset
- Методы экземпляров, связанные со временными рядами
- Ресемплинг
- Представление временного интервала
- Преобразование между представлениями
- Представление интервалов, выходящих за пределы
- Обработка часовых поясов
- Временные интервалы
- Параметры и настройки
- Повышение производительности
- Масштабирование до больших наборов данных
- Структуры разреженных данных
- Часто задаваемые вопросы (FAQ)
- Справочник рецептов
© 2008–2022, AQR Capital Management, LLC, Lambda Foundry, Inc. and PyData Development Team
Licensed under the 3-clause BSD License.
https://pandas.pydata.org/pandas-docs/version/1.5.0/user_guide/index.html