u"即微英寸，um即微米。换算：1um（微米）=39.37u"（微英寸），1mm=1000um。
u"和um都是厚度单位，一般我们说做多少u"。比如，一般的化金板要求镍120，金1.5，意思就是要求120u"的镍厚，1.5u"以上的金厚。
另外，这个厚度看个人习惯，有的人习惯说做多少微米，有的习惯说做多少微英寸。回签吗?如果他指定要用喷锡,那你让品质部的人带上Ipc650G去跟客人谈,关于喷锡板的厚度的接收标准,（前提条件是你的板不会太离谱）,告诉他们是按要求做的,如果他们还不认帐,那估计他们是不要那板了,如果不想搞砸关系就自认吧,建议你暂时缓缓,过段时间去向他们要板拿回工厂,也许他们已经用完了,祝你好运
什么样的PCB板要电金或沉金
这个倒没什么特别区分,我主要归纳了这么几点：1是板子有金手指需要镀金,但金手指以外的版面可以根据情况选择喷锡或者沉金等工艺,也就是通常的“沉金+镀金手指”工艺和“喷锡+镀金手指”工艺,偶尔少数设计者为了节约成本或者时间紧迫选择整版沉金方式来达到目的,不过沉金达不到镀金厚度,如果金手指经常插剥就会出现连接不良情况.2是板
化学沉金为什么要借助镍
化学镍金又叫沉镍金,业界常称为无电镍金(Electroless Nickel Immersion Gold)又称为沉镍浸金.PCB化学镍金是指在裸铜面上化学镀镍,然后化学浸金的一种可焊性表面涂覆工艺.它既有良好的接触导通性,而且具有良好的装配焊接性能,同时它还可以同其它表面涂覆工艺配合使用.随着日新月异的电子业的民展,
电路板表面一般镀锌、镀金、还有些什么呢
你是指焊盘的镀层吗?极少有PCB焊盘镀锌的,一般都采用镀锡（无铅喷锡或含铅锡）.另外,镀金也有厚度之分,PCB的接插部分要求的镀金层是比较厚的.再就是有机隔膜（OSP）工艺,它的作用只是防止铜箔焊盘氧化,在回流焊或波峰焊之后就完成了使命,彻底分解了.
请问PCB沉金工艺,沉金厚度是多少,计算实际面积后,折算成一平米面积价格是多少?价格是按照实际沉金面积算的吧?
1、沉金PCB沉金厚度0.05~0.1um之间（军标）；2、一般沉金板会在单价上每平米加多200~300元,大批量会便宜.低于这个价格的品质会比较差.3、沉金面积是按照全PCB面积算的,因为沉金药水是按照PCB面积来计算寿命的,不单独只是沉金面积有关.沉金过程是化学置换反应,沉金药水相对“脆弱”些,电路板的进入药水前虽
废旧电路板中的金、银、铜等金属如何提炼出来!
我想知道废旧电路板中的金、银、铜等金属是怎么提取出来的,请大家把过程和还有浸泡的金属如何取出呢,高温焚烧电路板,烧完的灰加入硝酸,盐酸,和
请问废旧电路板中的金、银、铜等金属如何提炼出...
废电路板中金属及阻燃剂的回收技术与设备项目特点和技术指标本技术采用绿色环保分离技术高效回收废电路板中的金属和阻燃剂,实现资源物质的回收再利用.回收的金属产品纯度可达90%以上,回收的阻燃剂产品可直接用于电路板原料生产.副产品在工艺过程中同时被处理,实现整个生产过程无任何剩余废物.技术成熟程度技术已较为成熟.应用范围报废
LOYSE砖石手表多少钱?（钻石有两颗的 日本精工石英机芯 表面有金）
5800元
如果黄金铂金同时溶入王水用什么方法分别提取?要用什么做沉金物?
无水亚硫酸钠,10多元一瓶
电路板表面为什么出现网格状铜箔
这是PCB设计中,高频信号屏蔽的一种,高频信号的波长比较短,网格状的铜线长度和波长近似一样时,高频信号被吸收.所以我们会看见网格状的PCB板地线.
长期从事PCB行业 负责沉铜 电镀 沉锡以前还有沉金 药水添加等,总之线路板厂有的都在接触,有什么危害?
1）从药水方面,在没有很好的防护措施和通风搓手情况下,气味会刺激肺部和气管等位置,包括你的嗅觉.2）噪音,很多设备的噪音很大,若没有很好的防护措施,或长时间处在那个环境里面,对听力有很大的损失.3）粉尘,部分工序的存在机械加工粉尘,这些粉尘若漂浮空中,呼吸入肺部,会影响身体健康的.我了解的,主要是以上几个方面.
朋友们,你们好!用王水提金用什么做沉金剂帮帮我好吗?
常压解吸化学提金工艺GSR沉金剂,这个可以直接向相关公司购买!
含金的镍渣怎么提取金就是表面有金的镍块如果镍表面都被金包裹着，那酸就攻击不到镍吧？这种情况怎么办？
加酸将镍溶解,再加氨水将镍络合,估计就可以啦.
PCB板沉金面会氧化吗?
会的,但不容易被氧化
PCB板沉金问题.请问一下PCB板的沉金厚度怎么区分?从PCB板上的焊盘颜色可以区分它所沉金的厚度吗?因为我是做品管的,
有关系,你看一下颜色是发亮还是发暗,如果是发亮的话就是镀金厚度达到要求,如果是发暗的话,则是沉金厚度不够.希望能帮助到你.
PCB制板中的沉金费是什么意思啊?
答：沉金是PCB制造中表面处理的一种方式.也叫化学镀金.有些线路板为了后续上元件的需要,必须用到沉金.制作方法大概是这样的：在线路板前面的多道工序
本文主要介绍Pandas中DataFrame的常用方法。在正式介绍之前，需要先说明以下几点：
从DataFrame中抽取出其中的一列形成的数据类型既可以是Series，也可以是DataFrame，具体如下图。这两种数据类型支持的方法大部分相似。但本篇主要介绍DataFrame类型支持的操作。
在这里插入描述
DataFrame中的很多方法都包含参数axis，这个参数可以控制方法的操作方向：按行or按列(axis=0,默认值)。正文的示例中不再特意针对这个参数来对比方法效果。
DataFrame中的方法有很多。大部分方法从方法名称就可以推断出方法的作用，这类方法就不再详细介绍了。
DataFrame中的一些方法有别名，比如notnull和notna，这里只会介绍其中一个。
DataFrame中的一些方法已经在其他博客中介绍过，这里也不会再继续介绍。具体链接放在相关内容部分。
1 常用计算
?这里的一般计算主要包括以下几类。如下：
加减乘除等计算：add(加;+)、sub(减;-)、mul(乘; *)、div\truediv(除;/)\floordiv(地板除;//)、mod(求余;%)、pow(幂计算)、rsub、rfloordiv\rtruediv\rdiv、rpow、radd、rmod、rmul。不以r开头的方法也可以直接使用对应的算术运算符来计算；
累计求值计算：cumsum、cummin、cummax、cumpod;
逻辑运算：eq(等于;==)、ne(不等于;!=)、le(小于等于;<=)、lt(小于；<)、ge(大于等于;>=)、gt(大于;>)、all(若全为True则为True,否则为False)、any(若有一个为True即为True);
统计函数：count、sum、max、min、mean、median、mode、std、var、prod（所有值的乘积);
其他计算：corr(相关性)、skew(偏度)、kurt(峰度)；
举例如下：
import pandas as pd
import numpy as np
data=pd.DataFrame([[11,13],[0,20],[24,45]],columns=list('AB'))
data_1=data.cumprod()
data_2=data.ge(pd.Series({'A':10,'B':15})) #判断条件：第一列是否大于等于10，第二列是否大于等于15
data_3=data_2.all(axis=1) #如果某一行全为True,则返回True,否则返回False
data_4=data.count()
data_5=data.corr() #计算两列的相关性
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
其结果如下：
在这里插入描述
2 遍历数据
?DataFrame中与数据遍历相关的方法主要包括：items、iteritems(与items作用相同，未来版本会删除)、iterrows、itertuples(目前没看出来有什么特殊之处)。这几个方法的主要区别如下：
除了itertuples()返回的数据类型为map之外，其余方法返回的数据类型均为迭代器。
items和iterrows返回的迭代器中的每个元素均为tuple。
items按列返回数据，iterrow按行返回数据。
具体用法举例如下(运算结果不展示)：
data=pd.DataFrame([['A',1],['B',2]],columns=['col_1','col_2'])
for item in data.items():
print(item)
for row in data.iterrows():
print(row)
1
2
3
4
5
1
2
3
4
5
3 排序相关
3.1 rank方法
?DataFrame中提供了排序方法rank()，该方法返回值对应的排序名次。其主要参数如下：
参数 作用
axis 指定排序方向
method 指定一组记录的排序方法：‘average’, ‘min’, ‘max’, ‘first’, ‘dense’
numeric_only 是否只对数值型列进行排序
na_option 指定空值处理方式：‘keep’, ‘top’, ‘bottom’
ascending 是否升序
pct 是否以百分比的形式展示排名
其用法举例如下：
import pandas as pd
data=pd.DataFrame([['A',10],['B',29],['a',19],[None,34],['A',17]],
columns=['col_1','col_2'])
data_1=data.rank(method='max')
data_2=data.rank(numeric_only=True,pct=True)
1
2
3
4
5
1
2
3
4
5
其结果如下：
在这里插入描述
下面依次对其就结果进行说明：
先来看data_1中的col_2，将data中col_2列的结果从小到大排序，那么10排在第1位，17排在第2位，19排在第三位，依次类推。所以data_1中col_2列的值依次为：1、4、3、5、2；
再来看data_1中的col_1,首先空值不会参与排序；其次字母是按照其对应的ascii码值进行排序的，所以A<B<a;另外，A出现两次，所以这里A最终的输出结果要使用method指定的方法来计算。在排序之后的数据中，A占据第1位和第2位，所以在method为max方法的前提下，A返回的结果为2。
再来看data_2。因为这里设置了numeric_only，所以col_1列并不进行排序，其次，pct为True，所以col_2列返回的是其排序对应的百分比。其百分比的计算公式为：排序值/max(排序值)。
3.2 idxmax/idxmin方法
?idxmax()/idxmin()方法可以返回最大值、最小值对应的索引。具体用法举例如下：
import pandas as pd
data=pd.DataFrame([['A',10,False],['B',29,False],['a',19,True],[None,34,True],['A',17,True]],
columns=['col_1','col_2','col_3'],
index=['A0','A1','A2','A3','A4'])
data_1=data[['col_2','col_3']].idxmax()
data_2=data[['col_2','col_3']].idxmin()
1
2
3
4
5
6
1
2
3
4
5
6
其结果如下：
在这里插入描述
这里有以下几点需要说明：
idxmax()\idxmin()方法支持的数据类型有：int,float和boolean。所以若针示例中的data直接运行data.idxmax()或data.idxmin()的话，会报错：TypeError: reduction operation ‘argmax’ not allowed for this dtype。
对于boolean类型数据，True>False
若最大值有多个，则返回最大值第一次出现时对应的索引值。
3.3 nlargest/nsmallest方法
?nlargest()/nsmallest()方法可以返回最大最小的k kk个值。主要包括以下三个参数：
参数 作用
n 返回的项数
columns 指定排序的一个或多个列名
keep 如何处理重复值。可选值：last、first、all
其用法举例如下：
import pandas as pd
data=pd.DataFrame([['A',10,False],['A',10,False],['a',19,True],[None,17,True],['A',17,True]],
columns=['col_1','col_2','col_3'],
index=['A0','A1','A2','A3','A4'])
data_1=data.nsmallest(n=3,columns=['col_2'],keep='all')
data_2=data.nlargest(n=4,columns=['col_3'],keep='first')
1
2
3
4
5
6
1
2
3
4
5
6
其结果如下：
在这里插入描述
这里有以下几点需要说明：
columns参数指定的排序列可以是数值型及布尔型，但不能接收字符串类型。
keep在什么时候才会发挥作用？从data_1的结果可以发现，当按照col_2列的值选取最小的3个项时，第3项对应的col_2值为17，而data中col_2值为17的项有两个(索引为A3和A4)，keep参数可以控制是A3还是A4返回给data_1。当keep=‘first’时，A3返回给data_1,当keep='last’时，A4返回给data_1,当keep='all’时，所有都返回给data_1。
4 其他
1. add_prefix()\add_suffix()方法
?这两个方法可以给DataFrame的列名添加统一的前后缀。具体用法如下：
import pandas as pd
dt=pd.DataFrame([['A',1],['B',1]],columns=['A','B'])
dt1=dt.add_prefix('Col_') #给列名增加统一的前缀
dt2=dt.add_suffix('_Col') #给列名添加统一的后缀
1
2
3
4
1
2
3
4
dt、dt1、dt2的结果分别如下：
在这里插入描述
2. align()数据对齐
?Pandas执行运算时，会先按照索引进行对齐，对齐以后再进行相应的运算，没有对齐的位置一般会用NaN进行补齐。Pandas提供了专门的方法align()对两个DataFrame进行数据对齐。该方法中的主要参数如下：
参数 作用
other 可以是DataFrame或者Series。
join 对齐方式：‘outer’(默认值), ‘inner’, ‘left’, ‘right’
axis 对齐方向：取值为0时按索引对齐，取值为1时按列进行对齐，不设置该值时行和列同时对齐
level
fill_value 填充值，默认为np.nan
method 值的填充方式
limit 向前向后填充NaN值的数量
fill_axis
broadcast_axis
用法举例如下：
import pandas as pd
dt1=pd.DataFrame(np.arange(8).reshape(4,2),columns=['A','B'],index=[1,2,3,4])
dt2=pd.DataFrame(np.arange(12).reshape(4,3),columns=['A','B','C'],index=[1,2,'a','b'])
left,right=dt1.align(dt2,join='inner')
left_1,right_1=dt1.align(dt2,join='outer',fill_value=100)
left_2,right_2=dt1.align(dt2,join='outer',method='backfill',limit=1)
1
2
3
4
5
6
1
2
3
4
5
6
dt1和dt2的结果如下：
在这里插入描述
left、right的结果如下：当join为inner时，会在两个方向上同时求交集(因为没有指定axis)。
在这里插入描述
left_1、right_1的结果如下：使用100填充没有对齐的位置。
在这里插入描述
left_2、right_2的结果如下：
在这里插入描述
3. asfreq()
?asfreq()方法可以把时间序列型的索引(即DatetimeIndex型、PeriodIndex型)转化到特定的时间频率。具体用法举例如下：
import pandas as pd
idx1=pd.date_range(start='2022-07-25',end='2022-07-26',freq='D')
idx2=pd.period_range(start='2022-07-25',end='2022-07-26',freq='D')
dt1=pd.DataFrame([[1,2],[3,4]],columns=['A','B'],index=idx1)
dt2=pd.DataFrame([[1,2],[3,4]],columns=['A','B'],index=idx2)
1
2
3
4
5
1
2
3
4
5
dt1和dt2的结果如下：
在这里插入描述
当对这两个DataFrame变量进行asfreq操作后得到的结果如下：
当DataFrame的索引为DatetimeIndex类型时，新的索引是利用pd.date_range()方法利用asfreq()方法中的指定的freq重新生成的，新出现的索引对应的值会用空值进行填充。
在这里插入描述
当DataFrame的索引为PeriodIndex类型时，新索引和旧索引是一对一的关系。
在这里插入描述
4. asof()
?asof()方法返回指定索引(包含该索引)之前最后一行在指定列不含空值的数据。 具体用法如下：
在这里插入描述
使用asof()方法要注意以下几点：
DataFrame或Series必须是已经排序的。
未指定subset是会对DataFrame的所有列进行非空判断。
5. assign()
?给DataFrame分配新列。具体如下：
在这里插入描述
这里要注意assign()中匿名函数中的x为dt本身，所以这里要注意匿名函数的写法。
相关内容
loc/iloc方法：blog.csdn/yeshang_lady/article/details/89103572
cut/qcut方法：blog.csdn/yeshang_lady/article/details/107957020
apply/applymap方法：blog.csdn/yeshang_lady/article/details/103324742
isin方法：blog.csdn/yeshang_lady/article/details/112207877
pivot_table方法：blog.csdn/yeshang_lady/article/details/103068031
groupby方法：blog.csdn/yeshang_lady/article/details/102488971
unique/nunique方法：blog.csdn/yeshang_lady/article/details/105345653
join/merge方法:blog.csdn/yeshang_lady/article/details/103363486
at_time/between_time方法:blog.csdn/yeshang_lady/article/details/121953450
文章已被收录至官方知识档案
Python入门技能树结构化数据分析工具PandasPandas概览
200379 人正在系统学习中
点击阅读全文
打开CSDN，阅读体验更佳
Python Pandas中dataframe常用操作(创建、读取写入、切片等)_Parzival...
对索引顺序有要求的用Series添加。 注意:若使用Series初始化一定要指定index,因为它默认索引为0、1、2…,如果你的dataframe索引不是,就会全部初始化为NaN。 >>>df3['price']=pd.Series([1,2,3])>>>df3 name color num price ...
...DataFrame基本操作_GoAI的博客_python dataframe操作
Dataframe操作总结参考:blogs/bethansy/p/8323763.html 一、查看数据(查看对象的方法对于Series来说同样适用) 1.查看DataFrame前xx行或后xx行 a=DataFrame(data); a.head(6)表示显示前6行数据,若head()中不带...
Dataframe的多种创建方法
Dataframe的多种创建方法 "二维数组"Dataframe:是一个表格型的数据结构，包含一组有序的列，其列的值类型可以是数值、字符串、布尔值等。 Dataframe中的数据以一个或多个二维块存放，不是列表、字典或一维数组结构 # Dataframe是一个表格型数据结构，“带有标签的二维数组” # Dataframe带有index（行标签）和columns（列标签） import panda...
继续访问
DataFrame常用方法详解
本文详细讲解了dataframe中常用的方法head()、tail()、info()、describe()、value_counts()、drop()、rename()、copy()、reset_index()
继续访问
python中dataframe的使用_归去来?的博客
python中dataframe的使用 Python之DataFrame常用方法小结 Series 性质:一维数组对象,类似NumPy 的一维array。 除了包含一组数据还包含一组索引,所以可以把它理解为一组带索引的数组。 obj = Series([1,2,3,4],index = [‘a’,...
Python dataframe.pivot()用法解析_WALL-EC的博客_dataframe...
python pandas 库的dataframe pivot()函数用法解析:简而言之,我理解的pivot()的用途就是,将一个dataframe的记录数据整合成表格(类似Excel中的数据透视表功能),而且是按照pivot(‘index=xx’,’columns=xx’,’values=xx’)来整合的。...
最新发布 python大数据之dataframe常用操作
详细讲解了dataframe的常用操作，包含创建，增删改查，算数运算，逻辑运算，常用聚合函数以及lamda函数的使用等
继续访问
Python Pandas中dataframe常用操作（创建、读取写入、切片等）
Series & Dataframe 一个感觉描述得比较好的示意图： 在一些涉及到批量处理二维列表中数据的场景中，使用dataframe会简便很多。 而只有一维数据的dataframe就是series啦。 感觉dataframe用的多一些，就先记录dataframe吧。 import pandas as pd Dataframe 1. 创建Dataframe 空dataframe # 创建空dataframe >>> df = pd.DataFrame() >>&
继续访问
python大数据之dataframe常用操作_addict_jun的博客_python操作...
dataframe与dataframe之间 + , - , * , / 可以在两个dataframe之间进行运算,属于一对一的计算。 4.逻辑运算 逻辑运算符号< , > , |, & 逻辑运算类型:>, >=, <, <= , ==, != ...
Python之DataFrame基础知识点_酒酿小圆子～的博客_python中d...
Python之DataFrame基础知识点 华为云开发者联盟该内容已被华为云开发者联盟社区收录,社区免费抽大奖?,赢华为平板、Switch等好礼! 加入社区 Python专栏收录该内容 22 篇文章2 订阅 订阅专栏
DataFrame的基本方法
目录 DataFrame中常见的方法： 基本数学操作 较为复杂功能：分组统计 pandas.DataFrame.count 功能 参数 相关补充 给出的例子 set_index相关补充 DataFrame中常见的方法： 基本数学操作 df.count() #非空元素计算 df.min() #最小值 df.max() #最大值 df.idxmin() #最小值的位置，类似于R中的which.min函数 df.idxmax() #最大值的位置，类似于R中的which....
继续访问
pandas计算含缺失值中列平均值_Pandas之DataFrame基本操作
pandas中Series和DataFrame基本操作。设有DataFrame结果的数据a如下所示：a bcone4 1 1two6 2 0three6 1 6一、查看数据(查看对象的方法对于Series来说同样适用)1.查看DataFrame前xx行或后xx行a=DataFrame(data);a.head(6)表示显示前6行数据，若head()中不带参数则会显示全部数据。a.tail(6)表示...
继续访问
Python数据分析系列5---DataFrame数据操作_webwow的博客_data...
2、Series和DataFrame中数据的基本手段 2.1 重新索引 ①pandas对象的方法reindex:其作用是创建一个新对象,它的数据符合新的索引排序。 obj2 = obj.reindex(['a','b','c','d','e']) ...
Python-Pandas之DataFrame用法总结_ckSpark的博客_python pa...
Python中Merge()函数用法 #Append:将数据按rows拼接到数据框中df=pd.DataFrame(np.random.randn(8,4),columns=['A','B','C','D'],index=range(1,9))>>>A B C D10.048111-0.9737450.1508541.8396962-0.718782-0.8584830.82408...
python之DataFrame篇
DataFrame是python中Pandas库中的一种数据结构，类似excel，是一种二维表。DataFrame的单元格可以存放数值，字符串等类型数据。python在处理excel数据时通常都会用DataFrame来读。 1.读数据 %%time import pandas as pd df = pd.read_excel('2019-2.xlsx',sheet_name=None) %%ti......
继续访问
python学习--DataFrame
目录 一、DataFrame对象的创建 1、根据列表创建： 情况1：由二维列表 情况2：由元组tuple组成的列表 情况3：由字典dict组成的列表 情况4：由数组array组成的列表 情况5：由序列series组成的列表 2、根据字典创建： 情况1：由元组tuple组成的字典 情况2：由列表list组成的字典 情况3：由字典dict组成的字典 情况4：由数组array组成的字典 情况5：由序列series组成的字典 情况6：由复合式的字典 3、根据二维数组ndarray创
继续访问
Python之DataFrame基础知识点
字典嵌套字典 # 字典嵌套字典 stu_dict = { 'student_1' : {'name': 'Jack', 'gender': 'M', 'score': 80}, 'student_2' : {'name': 'Mary', 'gender': 'F', 'score': 85} } {'student_1': {'name': 'Jack', 'gender': 'M', 'score': 80}, 'student_2': {'name': 'Mary', 'gender
继续访问
pandas的DataFrame的[]和[[]]的区别
对于一个DataFrame类型的数据，可以用[]和[[]]来取其某一列或某几列（仅限[[]]才能取某几列）。 从[]只能取某一列就能看出，这个取出来的是Series，而[[]]取出来的是DataFrame类型的。
继续访问
Pandas中DataFrame的属性、方法、常用操作以及使用示例
1. DataFrame 对象创建2. DataFrame 的属性3. DataFrame 的方法4. DataFrame 的常用操作2.1 axes ---- 返回行/列标签列表 2.2 columns ---- 返回列标签列表 2.3 index ---- 返回行标签列表 2.4 dtypes ---- 返回数据类型 2.5 empty ---- 返回 DataFrame 对象是否为空 2.6 ndim ---- 返回 DateFrame 对象的维数 2.7 size ---- 返回DateFrame
继续访问
热门推荐 DataFrame的apply()、applymap()、map()方法
对DataFrame对象中的某些行或列，或者对DataFrame对象中的所有元素进行某种运算或操作，我们无需利用低效笨拙的循环，DataFrame给我们分别提供了相应的直接而简单的方法，apply()和applymap()。其中apply()方法是针对某些行或列进行操作的，而applymap()方法则是针对所有元素进行操作的。 1 map()方法 The map method ...
继续访问
python:DataFrame的使用详解，数据的获取
在学完series后，我紧接着把DataFrame的创建也过了一遍，今天就开始整理之路了。 DataFrame里的数据是按照行和列来进行排列，现在我们一起来看下如何对DataFrame的数据按照行或者列进行选择、遍历以及修改。获取之前我们要清楚DataFrame中的数据情况， 首先数据的维度是一维还是二维的我们可以使用ndim查看，数据的行数和列数shape，以及行列的索引值index、columns。 import pandas as pd df_dict = { 'name':['ZhangSan'
继续访问
Dataframe的用法
使用Panda库读取文件时，经常会返回一个Dataframe结构的数据，本文主要记录一下如果操作该数据结构。 读取Dataframe filename = ‘XXX’ data = pd.read_csv(filename, sep=’,’) data = np.array(data) 这个函数（read_csv）有几个参数比较重要，一个是encoding，可以选择utf-8，避免中文乱码；另一个是index_col，用于行索引的列标号或者列名；再是header，用于列名的行号，pd.read_csv函数
继续访问
python中pandas.DataFrame的简单操作方法（创建、索引、增添与删除）
这篇文章主要介绍了python中pandas.DataFrame的简单操作方法，其中包括创建、索引、增添与删除等的相关资料，文中介绍的非常详细，需要的朋友可以参考借鉴，下面来一起看看吧。 前言 最近在网上搜了许多关于pandas.DataFrame的操作说明，都是一些基础的操作，但是这些操作组合起来还是比较费时间去正确操作DataFrame，花了我挺长时间去调整BUG的。我在这里做一些总结，方便你...
继续访问
pythonPandas中DataFrame基本函数整理（全）
构造函数 DataFrame([data, index, columns, dtype, copy]) #构造数据框 属性和数据 DataFrame.axes #index: 行标签；columns: 列标签 DataFrame.as_matrix([columns]) #转换为矩阵 DataFrame.dtypes #返回数据的类型 DataFrame.f
继续访问
『Python核心技术与实战』pandas.DataFrame()函数介绍
pandas.DataFrame()函数介绍！ 文章目录一. 创建DataFrame1.1. numpy创建1.2. 直接创建1.3. 字典创建二. DataFrame属性2.1. 查看列的数据类型2.2. 查看DataFrame的头尾2.3. 查看行名与列名2.4. 查看数据值.values2.5. 查看行列数2.6. 切片和索引三. DataFrame操作3.1. 转置3.2. 描述性统计3.3. 运算之求和、数乘及平方3.4. 新增列3.5. 两个DataFrame合并3.6. ==去重(重复行)=
继续访问
PandasDataframe基本操作
转载：blog.csdn/yizhuanlu9607/article/details/91857490 简介 pandas作者Wes McKinney 在PYTHON FOR DATA ANALYSIS中对pandas的方方面面都有了一个权威简明的入门级的介绍，但在实际使用过程中，我发现书中的内容还只是冰山一角。谈到pandas数据的行更新、表合并等操作，一般用到的方法...
继续访问
Python-Pandas之DataFrame用法总结
DataFrame：类似于表的数据结构 本文对Pandas包中二维（多维）数据结构DataFrame的特点和用法进行了总结归纳。 可以参考：pandas用法速览 3.1 增加数据 3.1.1 创建数据框Object Creation import pandas as pd import numpy as np #通过Numpy array来创建数据框 dates=pd.date_range('...
继续访问
python dataframe用法
python
pandas。