pandas 如何删掉第一行_Pandas-数据筛选

我就是我 2023-01-02 04:27 402阅读 0赞

我们对 pandas 有了初步的认识，今天我们来学习一些 pandas 中更高阶的知识点。

**数据筛选**

还是以上一关的`2019年销售数据.csv`为例，我们想要筛选出那些总销售额低于平均值的销售员，同样也只要一行代码即可：

![fa84e73687f2b1daf317c1c4c330b705.png][]

这和 NumPy 中数组的**布尔索引**是一样的，中括号里是筛选条件，返回值是所有符合条件的数据。`df['总和'] < df['总和'].mean()`的结果如下：

![fb3428e7fa6551e036bce977c6962ea9.png][]

符合条件的为 True，不符合条件的为 False。最终`df[df['总和'] < df['总和'].mean()]`会去除所有结果为 False 的行，只保留下结果为 True 的。最终的返回结果如下：

![f8c2c6748af6f4a2d9108d2b169452b3.png][]

这些人的业绩低于公司业绩的平均值，绩效不合格，需要重点关注他们，帮他们提高业绩。

我们也可以写多个条件进行判断，在 pandas 中要表示同时满足，各条件之间要用 **&** 符号连接。如果要表示只要满足之一，各条件之间要用 **|** 符号来连接。并且每个条件要用括号括起来，举个例子：

![ea93a7ceb3bc5f35719e6e1641d88d9e.png][]

![b98690b9f1a7bf9ee3b0e0f8aeb039ae.png][]

**给数据打标签**

pandas 的`cut()`方法常用于数据的分类和打标签，它的主要参数和用法如下：

![18f1ce7bc50af372ccdf294834aab88e.png][]

第一个参数是要分类的列，参数 `bins` 是分类的方式，即分类区间。默认是左开右闭，上面的例子中表示按 **(0, 1000\]**、**(1000, 2000\]** 和 **(2000, 3000\]** 分为三组。如果你想要左闭右开的方式，可以再添加一个参数 `right=False`。

最后的参数 `labels` 分别对应了这三组的标签名。即 **(0, 1000\]** 表示不合格，**(1000, 2000\]** 表示良好，**(2000, 3000\]** 表示优秀。

![44bda0ea17564bbc34c77d20afb5484c.png][]

应用到我们的例子当中，需要按平均值来分类，对应的代码如下：

![b7c00f3e2bc42c367de0136e5d5e2184.png][]

调用`head()`方法查看上述的前 5 条结果，显示如下：

![0aef6b8541c2db0c35896f860dd5a1b8.png][]

绩效分打好了，我们还需要将其作为一列添加到表格当中，方法如下：

![022d9fae9b81ecf77fc14ba2833a3a4b.png][]

我们调用`print(df.head())`来查看一下效果。

![8d76a87be5adb7ad6377d1b8b40f009b.png][]

可以看到，使用 pandas，只要一行代码就完成了对员工的绩效评分。

之前我们都是对列进行操作，接下来我们一起看看关于行的操作。

**行的查改增删**

首先，我们用 DataFrame 构建一个简单的表格：

![c9d5edfeed5d4d3a664091888ac8a97f.png][]

然后我们能得到下面这样的表格：

![d10fc9b1a8befa91a48640bc42b29932.png][]

列是通过列名来获取的，同理，行是通过最左边的索引来获取。在不指定的情况下，索引值默认从 0 开始依次递增。我们可以使用`loc`基于索引进行表格行的查改增删。

**查看行**

以查看上面表格中第一行的数据为例，代码如下：

![d779c1fa534f73730c0865051a4e3a67.png][]

注意，`loc`并不是一个方法，而是类似于字典。所以我们使用的是`[]`而不是`()`，这里千万不要用错。这样我们就能得到第一行的数据，运行结果如下：

![dd9a25254db463bf5c31af52f91b46fd.png][]

![17c446544020d254f34aa18070cc414d.png][]

如果你在构建表格时像下面这样单独设置了索引，同样也可以用对应的索引值来获取表格行的数据：

![c44f0d39c2fb76454327d512e65822e9.png][]

上面的代码中，表格的索引是日期。我们查看对应日期的数据时就需要将对应的日期作为索引，运行结果如下：

![554f4155c1839c5aaa603f739ba9ca58.png][]

除了第一个参数索引外，还支持第二个参数列名。即同时基于行和列获取指定的数据，比如：

![e97c5a7bd3d6b815b594fba062662119.png][]

上面代码的意思是获取行为 0 且列为辣条的数据，运行的结果为 14。

![87b2f41c5b0939c4faf5e94c0b65a699.png][]

同时，行和列还支持分片的写法，我们来看几个例子：

![d22806656a3f5a5f9540241c0bb24084.png][]

需要注意的是，这里的分片和 Python 中列表的分片不太一样，这里的分片结果是**前后都包含**的，而列表分片只包含前面不包含后面。上面代码的运行结果分别如下：

![06dae087da0deb4b1676f85f1df2b137.png][]

你也可以通过省略冒号前后的内容来实现全选，例如：`df.loc[:, '辣条':'可乐']`，这一点和列表的分片是一样的。

`loc` 同时也支持布尔索引来进行数据的筛选，比如获取辣条销量大于 15 的数据：

![0433ec7821a9444f8c9601b809bc8a72.png][]

上面的写法等价于`df[df['辣条'] > 15]`，不同之处在于`loc`还能通过第二个参数筛选出只想查看的列，比如：

![c15bf8df6c877c332d69f32b3349422c.png][]

![ad543f582599370f6ab356161b231741.png][]

多条件筛选的写法前面说过，这里不再赘述。最后来总结一下`loc`的语法：

![dcf52d306939e90e9e864b2a9d7f2015.png][]

除了比较常用的 `loc` 之外，我们还能使用 `iloc`。用法和 `loc` 一样，区别在于 `loc` 使用的参数是索引，而 `iloc` 的参数是位置，即第几行。

因此，在不指定索引的情况下，`loc` 和 `iloc` 的效果是一样的。但当单独指定了索引，我们想获取前 3 行数据时可以像下面这样写：

![90a6d943348bcd6d0791852390ec4abb.png][]

索引变成了日期，想要按位置获取数据的话只能使用`iloc`，这时如果使用`df.loc[:3]`将会报错。上面的代码运行结果如下：

![799a10eb7985ca5abfeacf7efc63ebd3.png][]

注意，`iloc`的分片和 Python 的列表分片一样，要和`loc`的分片规则区分开来。

**修改行**

假设某行的数据有问题，我们需要进行修正。修改起来同样也很简单，直接赋值即可。这里分为两种情况：

1.  赋值为一个数字；
2.  赋值为长度和列数相等列表。

![c8e2b2e7a5b6bcacc3c2026c7bf58e16.png][]

对于第一种情况，这一行所有的数据都会被修改成同样的数字：

![dc8440419ac97f7bbee4308da30ac0b7.png][]

![c273f0546f93b2a87bd4c705895d12bd.png][]

第二种情况则是按列表顺序修改对应的列：

![110bd8b991890d1e5e1401a6afc58279.png][]

![e0084496ec896248e378682cd2d3013b.png][]

![c49003d7f0944293537711860f24ab1d.png][]

当然你也可以使用例如`df.loc[0, '辣条'] = 23`定位到行和列来修改特定的数据。

**新增行**

你应该也发现了，行和列的基本操作都是类似的，只是具体的方式不同。新增行也是如此，只需传入表格中不存在的索引即可。

![c2b9eec3970843dddb87803b8dc5e656.png][]

![68e6da9e5db8f9a6068b312214ad1b00.png][]

![20fadeaeeeafe76a27efb070250693e5.png][]

**删除行**

删除行和删除列一样，都是使用`drop()`方法。删除列的使用传入了`axis=1`表示对列进行删除，`axis`默认为 0，因此删除行时省略`axis`参数即可。

![fe1e8ff461ed0fc1cb9e3f16ffce0e2c.png][]

![a1f7a244199ce21a0bf0441c778c2f8d.png][]

在前面的案例中，公司老板嘉奖完最佳销售员工后，想知道哪个团队的总销售额最高，再给最佳销售团队颁个奖。这个任务对 pandas 来说也是小菜一碟，我们一起来看看如何解决。

**最佳销售团队**

pandas 提供了`groupby()`方法用于数据的分组，第一个参数用于指定按哪一列进行分组。我们要按团队分组就可以像下面这样写：

![fd2e84834bb280c9d7d87697512f0078.png][]

但仅仅进行分组是没有结果的，还需要调用`max()`、`min()`、`mean()`、`sum()`等方法进行分组后的计算。要找出最佳销售团队的话，就需要对其求和，即调用`sum()`方法。

![5e1000102a63f67713df5791fed8c094.png][]

分组统计后的结果如下：

![06e0d24a89f1de539a94a4773231578b.png][]

pandas 自动帮我们对第一到第四季度以及总和的销售额进行了求和，能很清晰地看出每个团队的销售情况。

![a4164cda1b89c26f7b4355cb7742ab68.png][]

我们再对它按总和排个序来找到最佳销售团队：

![ecf054b8e08374fc4369a0dd653f42a0.png][]

![0b9c8de2c56c7bd4fc794d8f960638fc.png][]

可以看到，A 团队是最佳销售团队，而 C 团队则销售额垫底。

我们还能调用 `mean()` 方法查看各个团队的平均销售额：

![1654377fe1d9d0b9c0f8ecc2511fa3f4.png][]

[fa84e73687f2b1daf317c1c4c330b705.png]: /images/20221120/585c142b66414813a8ceaab56f5f56a3.png
[fb3428e7fa6551e036bce977c6962ea9.png]: /images/20221120/ab2a75464dd04951b7e279581726fffe.png
[f8c2c6748af6f4a2d9108d2b169452b3.png]: /images/20221120/197d4bc70010474fa2c1ba470201ad5f.png
[ea93a7ceb3bc5f35719e6e1641d88d9e.png]: /images/20221120/364c691b07a9454b84fd2e184317717b.png
[b98690b9f1a7bf9ee3b0e0f8aeb039ae.png]: /images/20221120/6dc3ff8d9ea64254950aadcb66c6cb93.png
[18f1ce7bc50af372ccdf294834aab88e.png]: /images/20221120/1eb78d639a3648889b9a24f83d1aca61.png
[44bda0ea17564bbc34c77d20afb5484c.png]: /images/20221120/8d23c39977294fa684adbaedc18d2878.png
[b7c00f3e2bc42c367de0136e5d5e2184.png]: /images/20221120/4b40fb10e7044590a131d9f0545c3676.png
[0aef6b8541c2db0c35896f860dd5a1b8.png]: /images/20221120/80bd1b84d8b8432685a4a0b86cef3afd.png
[022d9fae9b81ecf77fc14ba2833a3a4b.png]: /images/20221120/17d051c009154b1789d7a46579e5878f.png
[8d76a87be5adb7ad6377d1b8b40f009b.png]: /images/20221120/0acce8ebb23e44fe81734fbbf632d2a9.png
[c9d5edfeed5d4d3a664091888ac8a97f.png]: /images/20221120/dc80b37211774485bb74dbe726eba941.png
[d10fc9b1a8befa91a48640bc42b29932.png]: /images/20221120/51f5e77a661f4a6c98308c320fc22b5c.png
[d779c1fa534f73730c0865051a4e3a67.png]: /images/20221120/62dad924abb74d98877568a8a6b875c2.png
[dd9a25254db463bf5c31af52f91b46fd.png]: /images/20221120/dbc0d8e216c241a6b74f46ded77ffc9a.png
[17c446544020d254f34aa18070cc414d.png]: /images/20221120/4752807c230342feb3d91a84e9b10763.png
[c44f0d39c2fb76454327d512e65822e9.png]: /images/20221120/785e738fcc8242c89f0e5c84579fcb3b.png
[554f4155c1839c5aaa603f739ba9ca58.png]: /images/20221120/4107539118c3459abcec8d0fe50005c7.png
[e97c5a7bd3d6b815b594fba062662119.png]: /images/20221120/b498b352e4454b70bd7e6f26119ec96c.png
[87b2f41c5b0939c4faf5e94c0b65a699.png]: /images/20221120/1c3008b792f1439bb478bec99493373f.png
[d22806656a3f5a5f9540241c0bb24084.png]: /images/20221120/eb6013d8d7494fb38b7c7d2e468a47db.png
[06dae087da0deb4b1676f85f1df2b137.png]: /images/20221120/57211d8aac9247e5a129514d8882be90.png
[0433ec7821a9444f8c9601b809bc8a72.png]: /images/20221120/ecf44671eae74d84b7546afbf2c4b2f0.png
[c15bf8df6c877c332d69f32b3349422c.png]: /images/20221120/befd4fe961564bcf96b8baafe072e851.png
[ad543f582599370f6ab356161b231741.png]: /images/20221120/eeb2db09d26447dea0f2567975e4f5c1.png
[dcf52d306939e90e9e864b2a9d7f2015.png]: /images/20221120/a4d6f1f7b56f41d0b5564b3982ebc128.png
[90a6d943348bcd6d0791852390ec4abb.png]: /images/20221120/129b9d9215e942c596de86e0edefdc25.png
[799a10eb7985ca5abfeacf7efc63ebd3.png]: /images/20221120/b1540a3ff2644d959599cefa6d4406be.png
[c8e2b2e7a5b6bcacc3c2026c7bf58e16.png]: /images/20221120/b8efb3d8a8aa47c79c3a80a0bd0bffcd.png
[dc8440419ac97f7bbee4308da30ac0b7.png]: /images/20221120/4929601e92f441e1b2b6f99ed036a498.png
[c273f0546f93b2a87bd4c705895d12bd.png]: /images/20221120/256760d2d9e64edfa737e2a776792d73.png
[110bd8b991890d1e5e1401a6afc58279.png]: /images/20221120/c15ff34086954e9c93304bc2d80e81e7.png
[e0084496ec896248e378682cd2d3013b.png]: /images/20221120/682b63b0fe9f496086081f72b255a1c2.png
[c49003d7f0944293537711860f24ab1d.png]: /images/20221120/5ff7aeab546946e0b88fa02888406da7.png
[c2b9eec3970843dddb87803b8dc5e656.png]: /images/20221120/22cdd6c2a30f4197a05781fa8c0d6563.png
[68e6da9e5db8f9a6068b312214ad1b00.png]: /images/20221120/95b02f36f0444bcea1e86ce0ff1b372d.png
[20fadeaeeeafe76a27efb070250693e5.png]: /images/20221120/04ad60dfa78149cca38575da5be7a2cc.png
[fe1e8ff461ed0fc1cb9e3f16ffce0e2c.png]: /images/20221120/07ccbd2137c648a99fc4559d755e2dfa.png
[a1f7a244199ce21a0bf0441c778c2f8d.png]: /images/20221120/45d30f993c6e47469dc546b03676be65.png
[fd2e84834bb280c9d7d87697512f0078.png]: /images/20221120/bdde5c7e9fcd42e39161f4f8f3bac0f9.png
[5e1000102a63f67713df5791fed8c094.png]: /images/20221120/8c8c3852d00946828f4d40f6f7fcd98e.png
[06e0d24a89f1de539a94a4773231578b.png]: /images/20221120/904db22d1b0a4adc8aaa04c93fdb4de1.png
[a4164cda1b89c26f7b4355cb7742ab68.png]: /images/20221120/7fd8163e47b145c8a0a01883012eb4a5.png
[ecf054b8e08374fc4369a0dd653f42a0.png]: /images/20221120/efce90efacb44b55ae32c8d181ebb9b2.png
[0b9c8de2c56c7bd4fc794d8f960638fc.png]: /images/20221120/c40a65c0a55345b6adb0c2c895c0ac24.png
[1654377fe1d9d0b9c0f8ecc2511fa3f4.png]: /images/20221120/90c06d807d0b4e45a3bb4dab989b9b6d.png