转换 索引,迭代 运算符 功能应用,分组及窗口 计算/描述统计
重新索引/选择/标签操作 缺失数据处理 形状变换/排序/转置
组合/加入/合并 时间序列相关 绘图 序列化/IO/转换 稀疏
| 方法 | 返回值类型 | 参数 | 说明 |
| DataFrame() | df | data=None | 2D数据或字典 |
| index=None | 索引 | ||
| columns=None | 列标签 | ||
| dtype=None | 数据类型 | ||
| copy=False | 是否复制数据 | ||
| 属性及底层数据结构 | |||
| .as_matrix() | ndarray | columns=None | 返回指定列(默认全部) |
| .get_dtype_counts() | 返回dtype的计数结果 | ||
| .get_ftype_counts() | 返回ftype的计数结果 | ||
| .select_dtypes() | df | 选择或排除指定数据类型的列 | |
| include=None | 标量或list_like, 要选择的列 | ||
| exclude=None | 标量或list_like, 要排除的列 | ||
| .memory_usage() | Series | df的内存使用情况 | |
| index=True | 索引是否参与计算 | ||
| deep=False | 是否计算df引用的对象的内存使用情况 | ||
| .index | 行标签 | ||
| .columns | 列标签 | ||
| .values | ndarray | df的值 | |
| .dtypes | Series | df每一列的数据类型 | |
| .ftypes | Series | 返回df每一列是稀疏还是稠密, 以及数据类型 | |
| .axes | list | 返回 [行标签, 列标签] | |
| .ndim | int | 轴数 | |
| .size | int | df的元素数量 | |
| .shape | tuple | df的形状 | |
| 转换 (转到首行) | |||
| .astype() | df | 转换数据类型 | |
| dtype | np.dtype 或 {列名: np.dtype} | ||
| copy=True | 是否复制基层数据 | ||
| errors=’raise’ | ‘raise’: 转换失败则报错 | ||
| ‘ignore’: 转换失败则保留原数据类型 | |||
| **kwargs | 更多关键字参数 | ||
| .infer_objects() | df | 试图推断更好的dtypes | |
| .copy() | df | 拷贝数据 | |
| deep=True | False: 同赋值号, True: 拷贝数据, 但不会深层拷贝 | ||
| .isnull() | df | 判断对应位置元素是否是空值, 0.22版本新增.isna() | |
| .notnull() | df | 判断对应位置元素是否不是空值, 0.22版本新增.notna() | |
| 索引, 迭代 (转到首行) | |||
| .head() | df | n=5 | 返回前n行 |
| .at[i, c] | 标量 | 基于标签的访问器 | |
| .iat[m, n] | 标量 | 基于位置的访问器 | |
| .loc[i, c] | [i, c] | 基于单个标签访问 | |
| [[i1,i2], [c1,c2]] | 基于多个标签访问 | ||
| [i1:i2, c1:c2] | 包括边界 | ||
| [bool_df] | 仅保留True位置的值 | ||
| .iloc[m, n] | 参考.loc, 不过是基于位置的 | ||
| .insert() | df | 新增列 | |
| loc | 要插入的位置[0, len(columns)] | ||
| column | 要设置的列标签 | ||
| value | 要插入的值 | ||
| allow_duplicates=F | 列标签是否允许重名 | ||
| .__iter__() | iter | 返回一个列标签迭代器 | |
| .iteritems() | iter | 返回列迭代器 (列名, Series) | |
| .iterrows() | iter | 返回行迭代器 (索引, Series) | |
| .itertuples() | iter | 返回行迭代器 Pandas(Index=i1, c1=v1, c2=v2, …) | |
| index=True | 是否返回索引 | ||
| name=’Pandas’ | |||
| .lookup() | ndarray | 返回 [df.loc[i1,c1], df.loc[i2,c2], …] | |
| row_labels | [i1, i2, …] | ||
| col_labels | [c1, c2, …] | ||
| .pop() | Series | item | 删除并返回指定列 |
| .tail() | df | n=5 | 返回后n行 |
| .xs() | 返回指定行或列 | ||
| key | 行标签或列标签, 可以是Multilndex (c_name or int) | ||
| axis=0 | 轴 | ||
| level=None | 标量或list_like. 指定key是多级索引中的哪几级 | ||
| drop_level=True | 是否删除level指定的那几级索引 | ||
| .isin() | df | 判断元素是否在values中 | |
| values | list: 判断所有元素是否在此列表中 | ||
| dict: {c: []} 判断对应列的值是否在字典对应列表中 | |||
| df: 对应列名, 包含且index相同才返回True | |||
| .where() | df | 把df中不满足条件的那些值替换为other | |
| cond | 跟df同形状的bool元素组成的2D数据 | ||
| oter=nan | 标量或df. False对应的值替换为other | ||
| inplace=False | 是否本地修改 | ||
| axis=None | df和other对齐的轴, 另外一个轴按顺序对齐 | ||
| level=None | 如有需要, 对齐级别 | ||
| errors=’raise’ | 此参数目前无效 | ||
| try_cast=False | 尝试将结果转换为输入类型 | ||
| raise_on_error=N | 0.21弃用 | ||
| .mask() | df | 与where相反, 将满足条件的替换为other | |
| .query() | df | 返回满足条件的行 | |
| expr | 比如 ‘c1 > c2’ 返回满足c1>c2的那些行 (也可用@符号调用变量) | ||
| inplace=False | 是否本地修改 | ||
| **kwargs | pandas.eval() | ||
| 运算符 (转到首行) | |||
| .add() | df | 加法运算, 类似df+other | |
| other | 常量, Series或df | ||
| axis=’columns’ | {0, 1, ‘index’, ‘columns’}, other为Series时生效 | ||
| level=None | int或name. 在一个级别上广播 | ||
| fill_value=None | 用来填充缺失值的值, 若两个df位置都丢失, 结果将会丢失 | ||
| .sub; .mul; div; .truediv; .floordiv; .mod; .pow | – * / / // % ** | ||
| .radd; .rsub; … | 右侧运算, 即 other – df 等 | ||
| .lt ; .gt ; .le ; .ge ; .ne ; .eq | < > <= >= != == | ||
| .combine() | df | 使用自定义函数运算 | |
| other | df | ||
| func | 传入两个Series(两个df的对应列), 返回一个Series | ||
| fill_value=None | 标量 | ||
| overwrite=True | |||
| .combine_first() | df | other | 按照索引求并集, 优先保留左侧值 |
| 功能应用, 分组及窗口 (转到首行) | |||
| .apply() | df | 对df中的每一行(列)执行操作 | |
| func | 传入一个Series, 返回一个Series | ||
| axis=0 | 0或’index’: 传入的是列 | ||
| 1或’columns’: 传入的是行 | |||
| broadcast=False | 是否广播, 对于聚合函数, 返回和传播值相同大小的对象 | ||
| raw=False | True: 传入函数的将是ndarray而不是Series(性能更好) | ||
| reduce=None | True: 返回Series(若无法返回Series将返回df), False: 返回df | ||
| args=() | 其它位置参数传递给func | ||
| **kwds | 其它关键词参数传递给func | ||
| .applymap() | df | 对每一个元素执行func | |
| func | 传入一个值, 返回一个值 | ||
| .agg[regate]() | df | 对每一列(行)执行某一操作 | |
| func | ‘内置函数名’: 对每一列(行)执行此操作(如’sum’) | ||
| function: 要对每一列(行)执行的操作 | |||
| [‘内置函数名’] or [function] 对每一列(行)执行多个操作 | |||
| dict: {name: function or functions} 对对应列(行)执行对应操作 | |||
| axis=0 | 0: 对每一列执行操作, 1:对每一行执行操作 | ||
| *args | 传递给函数的位置参数 | ||
| **kwargs | 传递给函数的关键词参数 | ||
| .transfrom() | df | func | 参考.agg |
| *args | |||
| **kwargs | |||
| .groupby() | obj | 对数据进行分组, 分组后使用sum之类的方法可以计算分组后的结果 | |
| by | [c1, c2]: 选中某些列作为分组标准 | ||
| axis=0 | 轴 | ||
| level=None | 多级索引的级别名称 | ||
| as_index=True | 分组的列是否作为结果的索引 | ||
| sort=True | |||
| group_keys=True | |||
| squeeze=False | |||
| **kwargs | |||
| .rolling() | obj | 指定窗口, 步长为1移动窗口, 可对窗口中内容分别进行运算, 比如.sum() | |
| windows | 窗口大小(n行/列) | ||
| min_periods=None | 允许的最小窗口 | ||
| freq=None | |||
| center=False | 是否将计算结果放到中心而不是右侧 | ||
| win_type=None | 参考scipy.signal(默认所有点均匀加权) | ||
| on=None | 在指定列来计算滚动窗口而不是索引(此列将不参与计算) | ||
| axis=0 | 轴 | ||
| closed=None | |||
| .expanding() | obj | 累计计算, 比如加.sum()累加等 | |
| min_periods=1 | 参考.rolling | ||
| freq=None | |||
| center=False | |||
| axis=0 | |||
| .ewm() | obj | ||
| 计算/描述统计 (转到首行) | |||
| .abs() | df | 对所有元素求绝对值, 仅适用于全为数字的对象 | |
| .all() | S/df | 判断每一列(行)是否全为True | |
| axis=None | 轴 | ||
| bool_only=None | 是否仅计算bool类型的值 | ||
| skipna=None | |||
| level=None | 用于指定多级索引 | ||
| **kwargs | |||
| .any() | S/df | 判断每一列(行)是否存在True (参数同.all) | |
| .clip() | df | 限定取值范围(范围外的的将被更新为设定的最小值或最大值) | |
| lower=None | float或array_like. 最小值 | ||
| upper=None | 最大值 | ||
| axis=None | 轴 | ||
| inplace=False | 是否本地修改 | ||
| *args | |||
| **kwargs | |||
| .clip_lower() | df | 同.clip, 但只给出下限 | |
| threshold | 界限值 | ||
| .clip_upper() | df | 同.clip_lower, 但给出的是上限值 | |
| .corr() | df | 计算列的成对相关性, 不包括Na值 | |
| method=’pearson’ | ‘pearson’: 标准相关系数 | ||
| ‘kendall’ | |||
| ‘spearman’ | |||
| min_periods=1 | |||
| .corrwith() | df | 计算两个df之间的成对相关系数 | |
| other | df | ||
| axis=0 | 轴 | ||
| drop=False | |||
| .count() | S/df | 统计, 统计非NaN的数量 | |
| axis=0 | 轴 {0 or ‘index’, 1 or ‘columns’} | ||
| level=None | 如果轴是MultiIndex, 则沿指定级别进行计数, 折叠到DataFrame中 | ||
| numeric_only=False | 是否仅对 float, int, bool 类型数据进行统计 | ||
| .cov() | df | 计算列的成对协方差, 不包括NA | |
| min_periods=None | 每列所需的最小观察次数, 以获得有效结果 | ||
| .cummax() | df | 下面一个值更新为其上面最大的一个值(即累积最大值) | |
| axis=None | 轴 | ||
| skipna=True | 是否忽略空值, False: Na下面全部被更新为Na | ||
| .cummin() | df | 参考.cummax(), 但更新为累积最小值 | |
| .cumprod() | df | 参考.cummax(), 但更新为累积积 | |
| .cumsum() | df | 参考.cummax(), 但更新为累积和 | |
| .describe() | df | 生成统计描述, count, mean, std, min, max, … | |
| percentiles=None | 输出相应的百分位数0~1, 默认 [.25, .5, .75] | ||
| include=None | 返回到结果中的白名单(列) | ||
| ‘all’: 所有列都将包含在输出中 | |||
| list_like: 将结果限制为指定类型, np.number显示数字类型的统计结果, np.object显示对象类型的统计结果, ‘O’显示字符串类型的统计结果 | |||
| None: 结果将包含所有数字列 | |||
| exclude=None | 从结果中省略的黑名单, list_like or None | ||
| .diff() | df | 下面的值跟上面的差 | |
| periods=1 | 下面值跟上面第 periods 个值的差 | ||
| axis=0 | 轴 | ||
| .eval() | 将字符串转换为表达式 | ||
| expr | ‘a+b’: 返回df的a列与b列相加的结果 | ||
| ‘c=a+b’: 新增一列c为a列与b列相加的结果 | |||
| ‘1+1’: 返回1+1的结果 | |||
| inplace=False | 是否本地修改 | ||
| **kwargs | 更多参数参考pandas.eval() | ||
| .kurt() | S/df | 无偏峰度 | |
| axis=None | 轴 | ||
| skipna=None(True) | 计算时是否排除空值 | ||
| level=None | 如果轴是MultiIndex, 则沿指定级别进行计算, 返回df | ||
| numeric_only=None | 是否仅对 float, int, bool 类型数据进行计算 | ||
| 重新索引/选择/标签操作 (转到首行) | |||
| .add_prefix() | df | prefix | 将列标签前面加上前缀prefix |
| .add_suffix() | df | suffix | 将列标签前面加上后缀suffix |
| .align() | tuple | 更新索引并以(df1, df2)的形式返回, 缺失值以nan补全 | |
| other | df或Series | ||
| join=’outer’ | ‘outer’: 新索引为s与s2的并集 | ||
| ‘inner’: 新索引为s与s2的交集 | |||
| ‘left’ : 新索引为s的索引 | |||
| ‘right’: 新索引为s2的索引 | |||
| axis=None | 轴 | ||
| level=None | 指定多级索引的级别 | ||
| copy=True | 是否返回新对象 | ||
| fill_value=None | 缺失值使用的值, 默认为np.nan | ||
| method=None | |||
| limit=None | |||
| fill_axis=0 | |||
| broadcast_axis=N | 沿该轴广播 | ||
| .drop() | df | 删除对应索引或标签 | |
| labels=None | 要删除的行(列), 单一标签或list_like | ||
| axis=0 | 轴 | ||
| index=None | 0.21新增, 相当于(label, axis=0) | ||
| columns=None | 0.21新增, 相当于(label, axis=1) | ||
| level=None | 指定多级索引的级别 | ||
| inplace=False | 是否本地修改 | ||
| errors=’raise’ | ‘ignore’: 忽略错误 | ||
| .drop_duplicates() | df | 删除重复项 | |
| subset=None | 列标签或标签序列, 只考虑识别选中列的重复项, 默认所有列 | ||
| keep=’first’ | ‘first’: 仅保留第一次出现的副本(默认) | ||
| ‘last’: 删除重复项, 但最后一项除外 | |||
| False: 删除所有重复项 | |||
| inplace=False | 是否本地修改 | ||
| .duplicated() | df | 返回是否是重复项的bool表示结果 | |
| subset=None | 列标签或标签序列, 只考虑识别选中列的重复项, 默认所有列 | ||
| keep=’first’ | ‘first’: 除第一次出现外, 标记重复为True | ||
| ‘last’: 除了最后一次出现, 标记重复为True | |||
| False: 将所有重复项标记为True | |||
| .equals() | bool | other | 判断两个df中的元素是否相同, 同位置的nan被识别为相同 |
| .filter() | df | 子集查询 | |
| items=None | list_like: [index or columns] | ||
| like=None | string: 保留含有此字符串的那些 columns or index | ||
| regex=None | 使用正则匹配 | ||
| axis=None | 轴, 默认为columns | ||
| .first() | df | 基于时间的子集查询 | |
| offset | ’10D’: 表示取出前10天的数据 | ||
| .head() | df | n=5 | 显示前n条数据 |
| .idxmax() | Series | 返回请求轴上最大值对应的索引(或标签) | |
| axis=0 | 默认返回每一列最大值对应的索引, 标签作为索引, 查找到的索引作为值 | ||
| skipna=True | 是否排除空值 | ||
| .idxmin() | Series | 同上不过是最小值 | |
| .last() | df | 同.first(), 不过是后n天 | |
| .reindex() | df | 根据新索引/标签返回数据, 原数据中存在的索引/标签对应的值将被返回, 新的索引/标签对应的值默认为nan | |
| labels=None | 新的标签/索引, 根据axis值来定, 默认索引 | ||
| index=None | 新索引 | ||
| columns=None | 新标签 | ||
| axis=None | 轴 | ||
| method=None | {None, ‘backfill’/’bfill’, ‘pad’/’ffill’, ‘nearest’}: 填充方法 | ||
| copy=True | 是否返回一个新对象 | ||
| level=None | 索引/标签级别 | ||
| fill_value=nan | 缺失值填充 | ||
| limit=None | 向前或向后填充的连续最大填充次数 | ||
| tolerance=None | 公差??? | ||
| .reindex_axis() | df | 同 reindex() 不过没有 index 和 columns 参数 | |
| .reindex_like() | df | 新对象的 索引/标签 同传入的df的 索引/标签 相同 | |
| other | 传入的df | ||
| method, copy, limit, tolerance | |||
| .rename() | df | 更改 索引/标签 名 | |
| mapper=None | fun, dict-like: 结合axis使用, 表示 索引/标签 | ||
| index=None | 更改索引 | ||
| columns=None | 更改标签 | ||
| axis=None | 轴 | ||
| copy=True | 是否生成新对象 | ||
| inplace=False | 是否本地修改 | ||
| level=None | 多级索引的操作级别 | ||
| .rename_axis() | df | 同上: mapper, axis=0, copy, inplace | |
| .reset_index() | df | 将索引作为df中的一列值 | |
| level=None | 多级索引, 操作的索引级别 | ||
| drop=False | 是否删除索引转换出来的列 | ||
| inplace=False | 是否本地修改 | ||
| col_level=0 | 如果columns是多级的, 转换出来的列的标签名的级别 | ||
| col_fill=” | 指定多级索引其它级别的name, None表示重复索引名 | ||
| .sample() | df | 随机返回n个样本 | |
| n=None | 返回的项目数, 默认1 | ||
| frac=None | 返回的百分比, 0.0-1.0, 不能与n同时使用 | ||
| replace=False | 是否允许重复 | ||
| weights=None | None: 等概率加权 | ||
| Series: 相同索引的被设置为对应权重, 未出现的被设置为0 | |||
| random_state=None | 随机数种子 | ||
| axis=None | 轴, 默认为0 | ||
| .select() | df | 返回满足条件的数据 | |
| crit | function: 在每个 索引/标签 上调用, 返回 bool 的函数 | ||
| axis=0 | 轴 | ||
| .set_index() | df | 将某些列作为索引 | |
| keys | column, [columns], [[跟df等长的其它来源索引]] | ||
| drop=True | 是否删除作为索引的那些列 | ||
| append=False | 是否将列追加到现有索引 | ||
| inplace=False | 是否本地修改 | ||
| verify_integrity=False | 是否检查新索引, False会直到需要时再检查 | ||
| .tail() | df | n=5 | 返回最后n行 |
| .take() | df | 返回指定行/列 | |
| indices | [int]: 返回指定的那些行/列 | ||
| axis=0 | 行/列 | ||
| convert=None | 是否允许使用负指数, 默认True, 0.21.0 被取消, 始终允许 | ||
| is_copy=True | 是否返回原始对象的副本 | ||
| **kwargs | |||
| .truncate() | 截取两个 索引/标签 之间的数据 | ||
| before=None | 截断此值之前的所有数据 | ||
| after=None | 截断此值之后的所有数据 | ||
| axis=None | 轴, 默认操作索引 | ||
| copy=True | 是否拷贝 | ||
| 缺失数据处理 (转到首行) | |||
| .dropna() | df | 删除含有na的行(列) | |
| axis=0 | 轴 | ||
| how=’any’ | {‘any’, ‘all’} | ||
| thresh=None | 有效值个数, 有效值低于此值的行(列)被删除 | ||
| subset=None | list_like. 列(行)标签列表, 只考虑列表中的列(行) | ||
| inplace=False | 是否本地修改 | ||
| .fillna() | df | 使用指定方法填充空值 | |
| value=None | 标量: 使用此值替换na值 | ||
| dict/Series: 对应标签的列按照对应的值填充 | |||
| df: 对应为值的值填充对应位置 | |||
| method=None | {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None} | ||
| axis=None | {0 or ‘index’, 1 or ‘columns’} | ||
| inplace=False | 是否本地修改 | ||
| limit=None | 每行(列)最大填充次数 | ||
| downcast=None | |||
| **kwargs | |||
| .replace() | df | 将to_replace中给出的值替换为value | |
| to_replace=None | str: 字符串精确匹配 | ||
| regex: 正则表达式匹配 | |||
| list: 若value也是list则需相同长度, 一一对应替换 | |||
| dict: | |||
| None: | |||
| value=None | 参考.fillna | ||
| inplace=False | 是否本地修改 | ||
| limit=None | 每行(列)最大填充次数 | ||
| regex=False | True: 将to_replace作为正则表达式解析 | ||
| method=’pad’ | {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None} | ||
| axis=None | {0 or ‘index’, 1 or ‘columns’} | ||
| 形状变换, 排序, 转置 (转到首行) | |||
| .pivot() | df | 重新整形数据(数据透视表), 参考pd.pivot() | |
| index=None | 作为索引的列 | ||
| columns=None | 作为列标签的列 | ||
| values=None | 作为值的列 | ||
| .reorder_levels() | new obj | 对对及索引进行重排 | |
| order | [str or int]: 按指定顺序对索引进行重排, 不能遗漏和重复 | ||
| axis=0 | 对哪里进行重排 | ||
| .sort_values() | df | 按值排序 0.17.0 | |
| by | str or list of str: 在这些列上排序 | ||
| axis=0 | {0 or ‘index’, 1 or ‘columns’}: 默认按行排序 | ||
| ascending=True | bool or bools: 是否按升序排序, 如果是bools则长度需和by相同 | ||
| inplace=False | 是否在本地修改 | ||
| kind=’quicksort’ | {‘quicksort’, ‘mergesort’, ‘heapsort’}: 排序算法, 其它算法只支持单列 | ||
| na_position=’last’ | {‘first’, ‘last’}: 空值放在开头或结尾(默认放在结尾) | ||
| .sort_index() | df | 对索引或列标签排序 | |
| axis=0 | 默认对索引进行排序 | ||
| level=None | int or level name or list: 需要排序的索引级别 | ||
| ascending=True | 是否升序排序 | ||
| inplace=False | 是否本地修改 | ||
| kind=’quicksort’ | 排序算法 | ||
| na_position=’last’ | {‘first’, ‘last’}: 空值放在开头或结尾(默认放在结尾) | ||
| sort_remaining=True | 按指定级别排序后是否对其他级别进行排序(按顺序) | ||
| by=None | 无效参数?? | ||
| .nlargest() | df | 对指定列进行降序排序并截取n个, 可结合groupby使用 | |
| n | int: 截取的个数 | ||
| columns | list or str: 指定降序排序的列 | ||
| keep=’first’ | {‘first’, ‘last’}: 对于重复值保留第一次(或最后一次)出现的 | ||
| .nsmallest() | df | 同 .nlargest() 不过是升序排序 | |
| .swaplevel() | new obj | 对指定的两个索引级别进行交换 | |
| i=-2, j=-1 | int, string | ||
| axis=0 | 对index还是对columns执行 | ||
| .stack() | df/S | 索引作为前n级索引, 最后一级columns作为第n+1级索引, 剩余columns作为新columns | |
| level=-1 | int, string, list: 指定堆叠到索引的columns的级别 | ||
| dropna=True | 是否删除没有有效值的行 | ||
| .unstack() | df/S | 将多级索引拆成新 index 和 columns | |
| level=-1 | int, string, list: 要作为columns的索引级别 | ||
| fill_value=None | 缺失值填充 | ||
| .melt() | df | 将columns作为某列值 | |
| id_vars=None | 作为id的列, 保持不变 | ||
| value_vars=None | 作为值的列 | ||
| var_name=None | 默认 ‘variable’ columns名生成的列的列名 | ||
| value_name=’value’ | 值列的列名 | ||
| col_level=None | 如果columns是多级的则使用此指定级别进行操作 | ||
| .T | df | 转置 | |
| .to_panel() | Panel | 将df转换为 3D 的Panel | |
| .to_xarray() | ??? | ||
| .transpose() | df | *args, **kwargs | 转置 |
| 组合/加入/合并 (转到首行) | |||
| .append() | df | 追按照列标签进行追加操作, 缺失使用nan填充 | |
| other | df | ||
| ignore_index=F | 是否不使用索引标签 | ||
| verify_integrity=F | 是否不允许存在重复索引 | ||
| .assign() | df | 新增列 | |
| **kwargs | 列名 = func : 传入df, 返回一列值的函数 | ||
| 列名 = 标量: 此列值都为此标量 | |||
| 列名 = list_like : 跟df同长度 | |||
| 列名 = Series : Series中跟df索引相同的作为新列的值, 缺失nan | |||
| .join() | df | 新增列 | |
| other | df: 列标签不能跟左侧df重复(重复的话需设置suffix) | ||
| Series: 需要有name属性 | |||
| list: [df] | |||
| on=None | 列名, 与右侧df索引对齐的列而不是索引 | ||
| how=’left’ | ‘left’: 新df的索引参照左侧df | ||
| ‘right’: 新df的索引参照右侧df | |||
| ‘outer’: 新df的索引参照两个df索引的并集 | |||
| ‘inner’: 新df的索引参照两个df索引的交集 | |||
| lsuffix=” | 若列标签重复, 左侧df的标签将被加上后缀 | ||
| rsuffix=” | 若列标签重复, 右侧df的标签将被加上后缀 | ||
| sort=False | 是否对结果按照索引排序 | ||
| .merge() | df | 可实现根据左右df某两列的值进行合并 | |
| right | df | ||
| how=’inner’ | 参考.join | ||
| on=None | 左右两个df都存在的列, 将在此列上合并 | ||
| left_on=None | 左侧df要与右侧df要对齐的列 | ||
| right_on=None | 右侧df要与左侧df要对齐的列 | ||
| left_index=False | 左侧df是否使用索引与右侧对齐 | ||
| right_index=False | 右侧df是否使用索引与左侧对齐 | ||
| sort=False | 结果是否按照索引排序 | ||
| suffixes=(‘_x’,’_y’) | 重复列后缀 | ||
| copy=True | 是否生成新对象 | ||
| indicator=False | 是否显示此行数据来源(‘left_only’, ‘right_only’, ‘both’) | ||
| True: 此列标签将被设置为’_merge’ | |||
| str: 设置此列标签为此字符串 | |||
| validate=None | 0.21新增 | ||
| .update() | df | 将左侧df相应列相同索引的值更新为右侧的值, 不存在则保留原值(本地修改) | |
| other | df, 有name属性的Series | ||
| join=’left’ | 无其它取值, 此参数不能被设置为其它值 | ||
| overwrite=True | 覆盖????? | ||
| filter_func=None | |||
| raise_conflict=F | 若两个df存在同一数据来源, 将报错 | ||
| 时间序列相关 (转到首行) | |||
| 绘图 (转到首行) | |||
| 序列化/IO/转换 (转到首行) | |||
| 稀疏 (转到首行) | |||
