Pandas v0.23.4手册汉化

2019年11月17日 阅读数:99
这篇文章主要向大家介绍Pandas v0.23.4手册汉化,主要内容包括基础应用、实用技巧、原理机制等方面,希望对大家有所帮助。

Pandas手册汉化

此页面概述了全部公共pandas对象,函数和方法。pandas.*命名空间中公开的全部类和函数都是公共的。html

一些子包是公共的,其中包括pandas.errors, pandas.plotting,和pandas.testing文档中提到了公共函数 pandas.iopandas.tseries子模块。pandas.api.types分包包含一些与pandas中的数据类型相关的公共函数python

输入/输出

Pickling

read_pickle(path[, compression]):从文件加载pickled pandas对象(或任何对象)

平面文件

read_table(filepath_or_buffer[, sep, …]):将常规分隔文件读入DataFramegit

read_csv(filepath_or_buffer[, sep, …]):将CSV(逗号分隔)文件读入DataFrame正则表达式

read_fwf(filepath_or_buffer[, colspecs, widths]):将固定宽度格式化的行表读入DataFramesql

read_msgpack(path_or_buf[, encoding, iterator]):从指定的文件路径加载msgpack pandas对象数据库

剪贴板

read_clipboard([sep]):从剪贴板中读取文本并传递给read_table.json

Excel

read_excel(io[, sheet_name, header, names, …]):将Excel表读入pandas DataFramebootstrap

ExcelFile.parse([sheet_name, header, names, …]):将指定的工做表解析为DataFrame后端

JSON

read_json([path_or_buf, orient, typ, dtype, …]):将JSON字符串转换为pandas对象api

json_normalize(data[, record_path, meta, …]):将“半结构化JSON数据”“规范化”为平面表

build_table_schema(data[, index, …]):从中建立表模式data

HTML

read_html(io[, match, flavor, header, …]):阅读HTML表格到list的DataFrame对象

HDFStore: PyTables (HDF5)

read_hdf(path_or_buf[, key, mode]):从商店读取,若是咱们打开它关闭它.

HDFStore.put(key, value[, format, append]):将对象存储在HDFStore中

HDFStore.append(key, value[, format, …]):附加到文件中的表.

HDFStore.get(key):检索存储在文件中的pandas对象

HDFStore.select(key[, where, start, stop, …]):检索存储在文件中的pandas对象,可选择基于where条件

HDFStore.info():打印商店的详细信息

HDFStore.keys():返回与HDFStore中存储的对象相对应的键(可能无序)列表。

Feather

read_feather(path[, nthreads]):从文件路径加载羽毛格式对象

Parquet

read_parquet(path[, engine, columns]):从文件路径加载镶木地板对象,返回DataFrame.

SAS

read_sas(filepath_or_buffer[, format, …]):读取存储为XPORT或SAS7BDAT格式文件的SAS文件

SQL

read_sql_table(table_name, con[, schema, …]):将SQL数据库表读入DataFrame.

read_sql_query(sql, con[, index_col, …]):将SQL查询读入DataFrame.

read_sql(sql, con[, index_col, …]):将SQL查询或数据库表读入DataFrame.

Google BigQuery

read_gbq(query[, project_id, index_col, …]):从Google BigQuery加载数据.

STATA

read_stata(filepath_or_buffer[, …]):将Stata文件读入DataFrame.

StataReader.data_label():返回Stata文件的数据标签

StataReader.value_labels():返回一个dict,将每一个变量名称与一个dict相关联,将每一个值与其对

StataReader.variable_labels():将变量标签做为dict返回,将每一个变量名称与相应的标签相关联

通常功能

数据处理

melt(frame[, id_vars, value_vars, var_name, …]):“Unpivots”DataFrame从宽格式到长格式,可选择设置标识符变量。

pivot(index, columns, values):根据此DataFrame的3列生成“pivot”表。

pivot_table(data[, values, index, columns, …]):建立一个电子表格样式的数据透视表做为DataFrame。

crosstab(index, columns[, values, rownames, …]):计算两个(或更多)因子的简单交叉列表。

cut(x, bins[, right, labels, retbins, …]):Bin值为离散间隔。

qcut(x, q[, labels, retbins, precision, …]):基于分位数的离散化功能。

merge(left, right[, how, on, left_on, …]):经过按列或索引执行数据库样式的链接操做来合并DataFrame对象。

merge_ordered(left, right[, on, left_on, …]):使用为时序数据等有序数据设计的可选填充/插值执行合并。

merge_asof(left, right[, on, left_on, …]):执行asof合并。

concat(objs[, axis, join, join_axes, …]):沿特定轴链接pandas对象,沿其余轴使用可选的设置逻辑。

get_dummies(data[, prefix, prefix_sep, …]):将分类变量转换为虚拟/指示变量

factorize(values[, sort, order, …]):将对象编码为枚举类型或分类变量。

unique(values):哈希表基于惟一。

wide_to_long(df, stubnames, i, j[, sep, suffix]):宽面板到长格式。

顶级缺失数据

isna(obj):检测相似数组的对象的缺失值。

isnull(obj):检测相似数组的对象的缺失值。

notna(obj):检测相似数组的对象的非缺失值。

notnull(obj):检测相似数组的对象的非缺失值。

顶级转换

to_numeric(arg[, errors, downcast]):将参数转换为数字类型.

顶级处理时间

to_datetime(arg[, errors, dayfirst, …]):将参数转换为datetime。

to_timedelta(arg[, unit, box, errors]):将参数转换为timedelta

date_range([start, end, periods, freq, tz, …]):返回固定频率DatetimeIndex。

bdate_range([start, end, periods, freq, tz, …]):返回固定频率DatetimeIndex,以工做日做为默认频率

period_range([start, end, periods, freq, name]):返回固定频率PeriodIndex,以日(日历)做为默认频率

timedelta_range([start, end, periods, freq, …]):返回固定频率TimedeltaIndex,以day做为默认频率

infer_freq(index[, warn]):根据输入索引推断最可能的频率。

顶级处理间隔

interval_range([start, end, periods, freq, …]):返回固定频率IntervalIndex

顶级评估

eval(expr[, parser, engine, truediv, …]):使用各类后端将Python表达式评估为字符串

Series

构造函数

Series([data, index, dtype, name, copy, …]):带轴标签的一维ndarray(包括时间序列).

属性

Axes

Series.index:系列的索引(轴标签)

Series.values:返回系列为ndarray或ndarray-like取决于dtype

Series.dtype:返回基础数据的dtype对象

Series.ftype:若是数据稀疏则返回

Series.shape:返回基础数据形状的元组

Series.nbytes:返回基础数据中的字节数

Series.ndim:根据定义1,返回基础数据的维数

Series.size:返回基础数据中的元素数量

Series.strides:返回基础数据的步幅

Series.itemsize:返回基础数据项的dtype的大小

Series.base:若是共享基础数据的内存,则返回基础对象

Series.T:返回转置,根据定义自我

Series.memory_usage([index, deep]):返回Series的内存使用状况。

Series.hasnans:若是我有任何nans,我会回来; 实现各类性能加速

Series.flags

Series.empty

Series.dtypes:返回基础数据的dtype对象

Series.ftypes:若是数据稀疏则返回

Series.data:返回基础数据的数据指针

Series.is_copy

Series.name

Series.put(*args, **kwargs):将 put方法应用于其 values属性(若是有)

转换

Series.astype(dtype[, copy, errors]):将pandas对象转换为指定的dtypedtype。

Series.infer_objects():尝试推断对象列的更好的dtypes。

Series.convert_objects([convert_dates, …]):(DEPRECATED)尝试推断对象列的更好dtype。

Series.copy([deep]):复制此对象的索引和数据。

Series.bool():返回单个元素PandasObject的bool。

Series.to_period([freq, copy]):将Series从DatetimeIndex转换为具备所需频率的PeriodIndex(若是未传递,则从索引推断)

Series.to_timestamp([freq, how, copy]):在期间开始时转换为时间戳的datetimedex

Series.tolist():返回值列表。

Series.get_values():与值相同(但处理稀疏转换); 是一种观点

索引, 迭代

Series.get(key[, default])从给定键的对象获取项目(DataFrame列,Panel切片等)。

Series.at访问行/列标签对的单个值。

Series.iat按整数位置访问行/列对的单个值。

Series.loc经过标签或布尔数组访问一组行和列。

Series.iloc纯粹基于整数位置的索引,用于按位置选择。

Series.__iter__()返回值的迭代器。

Series.iteritems()懒惰地迭代(索引,值)元组

Series.items()懒惰地迭代(索引,值)元组

Series.keys()索引的别名

Series.pop(item)返回项目并从框架中删除。

Series.item()将基础数据的第一个元素做为python标量返回

Series.xs(key[, axis, level, drop_level])返回Series / DataFrame的横截面(行或列)。

For more information on .at.iat.loc, and .iloc, see the indexing documentation

二元运算符函数

Series.add(other[, level, fill_value, axis])添加系列和其余元素(二元运算符添加)。

Series.sub(other[, level, fill_value, axis])减去序列和其余元素(二元运算符)。

Series.mul(other[, level, fill_value, axis])系列和其余的乘法,元素(二元运算符mul)。

Series.div(other[, level, fill_value, axis])系列和其余的浮动划分,元素方式(二元算子truediv)。

Series.truediv(other[, level, fill_value, axis])系列和其余的浮动划分,元素方式(二元算子truediv)。

Series.floordiv(other[, level, fill_value, axis])系列和其余的整数除法,元素方式(二元运算符floordiv)。

Series.mod(other[, level, fill_value, axis])系列和其余的模数,元素方式(二元运算符mod)。

Series.pow(other[, level, fill_value, axis])系列和其余元素的指数幂(二元运算符pow)。

Series.radd(other[, level, fill_value, axis])添加系列和其余元素(二元运算符radd)。

Series.rsub(other[, level, fill_value, axis])减去序列和其余元素(二元运算符rsub)。

Series.rmul(other[, level, fill_value, axis])系列和其余的乘法,元素(二元运算符rmul)。

Series.rdiv(other[, level, fill_value, axis])系列和其余的浮动划分,元素方式(二元算子rtruediv)。

Series.rtruediv(other[, level, fill_value, axis])系列和其余的浮动划分,元素方式(二元算子rtruediv)。

Series.rfloordiv(other[, level, fill_value, …])系列和其余的整数除法,元素方式(二元运算符rfloordiv)。

Series.rmod(other[, level, fill_value, axis])系列和其余的模数,元素方式(二元运算符rmod)。

Series.rpow(other[, level, fill_value, axis])系列和其余元素的指数幂(二元运算符rpow)。

Series.combine(other, func[, fill_value])当一个系列或另外一个系列中缺乏索引时,使用给定函数对两个系列执行元素二进制运算,并带有可选填充值

Series.combine_first(other)组合系列值,首先选择调用Series的值。

Series.round([decimals])将系列中的每一个值舍入到给定的小数位数。

Series.lt(other[, level, fill_value, axis])少于系列和其余元素(二元运算符lt)。

Series.gt(other[, level, fill_value, axis])大于系列和其余元素(二元运算符gt)。

Series.le(other[, level, fill_value, axis])小于或等于系列等,逐元素(二元运算)。

Series.ge(other[, level, fill_value, axis])大于或等于系列和其余元素(二元运算符ge)。

Series.ne(other[, level, fill_value, axis])不等于系列和其余元素(二元运算符ne)。

Series.eq(other[, level, fill_value, axis])等于系列和其余元素(二元运算符eq)。

Series.product([axis, skipna, level, …])返回请求轴的值的乘积

Series.dot(other)矩阵乘法与DataFrame或内部产品与Series对象。

Function application, GroupBy & Window

Series.apply(func[, convert_dtype, args])调用Series的值的函数。

Series.agg(func[, axis])使用指定轴上的一个或多个操做进行聚合。

Series.aggregate(func[, axis])使用指定轴上的一个或多个操做进行聚合。

Series.transform(func, *args, **kwargs)调用函数生成相似索引的NDFrame并返回带有转换值的NDFrame

Series.map(arg[, na_action])使用输入对应(字典,系列或函数)映射Series的值。

Series.groupby([by, axis, level, as_index, …])使用mapperdictkey函数,将给定函数应用于组,将结果做为系列返回)或经过一系列列的组系列。

Series.rolling(window[, min_periods, …])提供滚动窗口计算。

Series.expanding([min_periods, center, axis])提供扩辗转换。

Series.ewm([com, span, halflife, alpha, …])提供指数加权函数

Series.pipe(func, *args, **kwargs)应用funcself* args** kwargs

计算/ 描述性统计

Series.abs()返回具备每一个元素的绝对数值的Series / DataFrame

Series.all([axis, bool_only, skipna, level])返回是否全部元素都是True,多是在轴上。

Series.any([axis, bool_only, skipna, level])返回任何元素在请求的轴上是否为True

Series.autocorr([lag])Lag-N自相关

Series.between(left, right[, inclusive])返回boolean Series等效于left <= series <= right

Series.clip([lower, upper, axis, inplace])在输入阈值处修剪值。

Series.clip_lower(threshold[, axis, inplace])返回值低于阈值截断的输入的副本。

Series.clip_upper(threshold[, axis, inplace])输入的返回副本,其值超过给定值(截断)。

Series.corr(other[, method, min_periods])计算与其余系列的相关性,不包括缺失值

Series.count([level])返回系列中非NA / null观测值的返回数

Series.cov(other[, min_periods])计算与Series的协方差,不包括缺失值

Series.cummax([axis, skipna])返回DataFrameSeries轴上的累积最大值。

Series.cummin([axis, skipna])返回DataFrameSeries轴上的累积最小值。

Series.cumprod([axis, skipna])经过DataFrameSeries轴返回累积产品。

Series.cumsum([axis, skipna])返回DataFrameSeries轴上的累积和。

Series.describe([percentiles, include, exclude])生成描述性统计数据,总结数据集分布的集中趋势,分散和形状,不包括NaN值。

Series.diff([periods])第一个离散的元素差别。

Series.factorize([sort, na_sentinel])将对象编码为枚举类型或分类变量。

Series.kurt([axis, skipna, level, numeric_only])使用Fisher对峰度的定义(正常峰度== 0.0),在请求轴上返回无偏峰度。

Series.mad([axis, skipna, level])返回请求轴的值的平均绝对误差

Series.max([axis, skipna, level, numeric_only])此方法返回对象中的最大值。

Series.mean([axis, skipna, level, numeric_only])返回请求轴的值的平均值

Series.median([axis, skipna, level, …])返回请求轴的值的中值

Series.min([axis, skipna, level, numeric_only])此方法返回对象中的最小值。

Series.mode()返回数据集的模式。

Series.nlargest([n, keep])返回最大的n元素。

Series.nsmallest([n, keep])返回最小的n元素。

Series.pct_change([periods, fill_method, …])当前元素和先前元素之间的百分比变化。

Series.prod([axis, skipna, level, …])返回请求轴的值的乘积

Series.quantile([q, interpolation])给定分位数处的返回值,即la numpy.percentile

Series.rank([axis, method, numeric_only, …])沿轴计算数值数据等级(1n)。

Series.sem([axis, skipna, level, ddof, …])在请求的轴上返回均值的无偏标准偏差。

Series.skew([axis, skipna, level, numeric_only])返回请求轴的无恰恰差,由N-1归一化

Series.std([axis, skipna, level, ddof, …])返回请求轴上的样本标准误差。

Series.sum([axis, skipna, level, …])返回请求轴的值的总和

Series.var([axis, skipna, level, ddof, …])在请求的轴上返回无误差异。

Series.kurtosis([axis, skipna, level, …])使用Fisher对峰度的定义(正常峰度== 0.0),在请求轴上返回无偏峰度。

Series.unique()返回Series对象的惟一值。

Series.nunique([dropna])返回对象中惟一元素的数量。

Series.is_unique若是对象中的值是惟一的,则返回布尔值

Series.is_monotonic若是对象中的值是monotonic_increasing,则返回布尔值

Series.is_monotonic_increasing若是对象中的值是monotonic_increasing,则返回布尔值

Series.is_monotonic_decreasing若是对象中的值是monotonic_decreasing,则返回布尔值

Series.value_counts([normalize, sort, …])返回包含惟一值计数的对象。

Series.compound([axis, skipna, level])返回请求轴的值的复合百分比

Series.nonzero()返回非零元素的整数索引

Series.ptp([axis, skipna, level, numeric_only])返回最大值和之间的差值

从新索引/ 选择/ 标签操做

Series.align(other[, join, axis, level, …])使用指定的每一个轴索引的链接方法将轴上的两个对象对齐

Series.drop([labels, axis, index, columns, …])返回已删除指定索引标签的系列。

Series.drop_duplicates([keep, inplace])返回系列,删除重复值。

Series.duplicated([keep])指示重复的系列值。

Series.equals(other)肯定两个NDFrame对象是否包含相同的元素。

Series.first(offset)用于基于日期偏移量化时间序列数据的初始时段的便捷方法。

Series.head([n])返回前n行。

Series.idxmax([axis, skipna])返回最大值的行标签。

Series.idxmin([axis, skipna])返回最小值的行标签。

Series.isin(values)检查系列中是否包含

Series.last(offset)用于基于日期偏移量化时间序列数据的最终时段的便捷方法。

Series.reindex([index])使用可选填充逻辑将系列符合到新索引,将NA / NaN放置在先前索引中没有值的位置。

Series.reindex_like(other[, method, copy, …])将具备匹配索引的对象返回给我本身。

Series.rename([index])更改系列索引标签或名称

Series.rename_axis(mapper[, axis, copy, inplace])更改索引或列的名称。

Series.reset_index([level, drop, name, inplace])使用索引重置生成新的DataFrameSeries

Series.sample([n, frac, replace, weights, …])从对象轴返回随机的项目样本。

Series.select(crit[, axis])DEPRECATED)返回与轴标签匹配条件对应的数据

Series.set_axis(labels[, axis, inplace])将所需索引分配给给定轴。

Series.take(indices[, axis, convert, is_copy])沿轴返回给定位置索引中的元素。

Series.tail([n])返回最后n行。

Series.truncate([before, after, axis, copy])在某个索引值以前和以后截断SeriesDataFrame

Series.where(cond[, other, inplace, axis, …])返回与self相同形状的对象,其对应的条目来自self,其中condTrue,不然来自其余

Series.mask(cond[, other, inplace, axis, …])返回与self相同形状的对象,其对应的条目来自self,其中condFalse,不然来自other

Series.add_prefix(prefix)带有字符串前缀的前缀标签。

Series.add_suffix(suffix)带有字符串后缀的后缀标签。

Series.filter([items, like, regex, axis])根据指定索引中的标签设置数据框的行或列。

缺乏数据处理

Series.isna()检测缺失值。

Series.notna()检测现有(非缺失)值。

Series.dropna([axis, inplace])返回删除了缺失值的新系列。

Series.fillna([value, method, axis, …])使用指定的方法填充NA / NaN

Series.interpolate([method, axis, limit, …])根据不一样的方法插值。

重塑, 排序

Series.argsort([axis, kind, order])覆盖ndarray.argsort

Series.reorder_levels(order)使用输入顺序从新排列索引级别。

Series.sort_values([axis, ascending, …])按值排序。

Series.sort_index([axis, level, ascending, …])按索引标签排序系列。

Series.swaplevel([i, j, copy])MultiIndex中交换ij级别

Series.unstack([level, fill_value])Unstack,又名

Series.searchsorted(value[, side, sorter])查找应插入元素以维护顺序的索引。

Series.ravel([order])将展平的底层数据做为ndarray返回

Series.repeat(repeats, *args, **kwargs)重复系列的元素。

Series.squeeze([axis])挤压长度1维。

Series.view([dtype])建立系列的新视图。

合并/ 加入

Series.append(to_append[, ignore_index, …])链接两个或更多系列

Series.replace([to_replace, value, inplace, …])替换给定的值to_replace价值.

Series.update(other)使用传递的Series中的非NA值修改系列

相似日期的属性

Series.dt可用于以datetimelike的形式访问系列的值并返回多个属性。这些能够像访问Series.dt.<property>.

日期时间属性

Series.dt.date:返回numpy数组的python datetime.date对象(即没有时区信息的Timestamps的日期部分)。

Series.dt.time:返回datetime.timenumpy数组。

Series.dt.year:日期时间

Series.dt.month:月份为1= 112= 12

Series.dt.day:日期时间的日子

Series.dt.hour:日期时间

Series.dt.minute:日期时间的分钟

Series.dt.second:日期时间的秒数

Series.dt.microsecond:日期时间的微秒

Series.dt.nanosecond:日期时间的纳秒

Series.dt.week:一年中的一周序数

Series.dt.weekofyear:一年中的一周序数

Series.dt.dayofweek:星期一= 0,星期日= 6的星期几

Series.dt.weekday:星期一= 0,星期日= 6的星期几

Series.dt.dayofyear:一年中的序很多天

Series.dt.quarter:日期的四分之一

Series.dt.is_month_start:逻辑指示是否每个月的第一天(由频率定义)

Series.dt.is_month_end:指示日期是不是该月的最后一天。

Series.dt.is_quarter_start:指示日期是不是一个季度的第一天。

Series.dt.is_quarter_end:指示日期是不是一个季度的最后一天。

Series.dt.is_year_start:指明日期是不是一年的第一天。

Series.dt.is_year_end:指明日期是一年中的最后一天。

Series.dt.is_leap_year:布尔指示符,若是日期属于闰年。

Series.dt.daysinmonth:本月的天数

Series.dt.days_in_month:本月的天数

日期时间方法

Series.dt.to_period(*args, **kwargs):以特定频率转换为PeriodIndex。

Series.dt.to_pydatetime():将数据做为本机Python日期时间对象的数组返回

Series.dt.tz_localize(*args, **kwargs):将tz-naive DatetimeIndex本地化为tz-aware DatetimeIndex。

Series.dt.tz_convert(*args, **kwargs):将tz-aware DatetimeIndex从一个时区转换为另外一个时区。

Series.dt.normalize(*args, **kwargs):将时间转换为午夜。

Series.dt.strftime(*args, **kwargs):使用指定的date_format转换为Index。

Series.dt.round(*args, **kwargs):将数据舍入到指定的频率

Series.dt.floor(*args, **kwargs):将数据置于指定的频率

Series.dt.ceil(*args, **kwargs):将数据ceil到指定的频率

Series.dt.month_name(*args, **kwargs):返回具备指定语言环境的DateTimeIndex的月份名称。

Series.dt.day_name(*args, **kwargs):返回具备指定语言环境的DateTimeIndex的日期名称。

Timedelta 属性

Series.dt.days:每一个元素的天数。

Series.dt.seconds:每一个元素的秒数(> = 0且小于1天)。

Series.dt.microseconds:每一个元素的微秒数(> = 0且小于1秒)。

Series.dt.nanoseconds:每一个元素的纳秒数(> = 0且小于1微秒)。

Series.dt.components:返回Timedeltas的组件(天,小时,分钟,秒,毫秒,微秒,纳秒)的数据帧。

Timedelta 方法

Series.dt.to_pytimedelta():返回本机datetime.timedelta对象的数组.

Series.dt.total_seconds(*args, **kwargs):返回每一个元素的总持续时间,以秒为单位表示

字符串处理

Series.str可用于以字符串形式访问系列的值,并对其应用多种方法。这些能够像访问Series.str.<function/property>.

Series.str.capitalize():将Series / Index中的字符串转换为大写。

Series.str.cat([others, sep, na_rep, join]):使用给定的分隔符链接Series / Index中的字符串。

Series.str.center(width[, fillchar]):使用附加字符填充系列/索引中字符串的左侧和右侧。

Series.str.contains(pat[, case, flags, na, …]):测试模式或正则表达式是否包含在系列或索引的字符串中。

Series.str.count(pat[, flags]):计算系列/索引的每一个字符串中模式的出现次数。

Series.str.decode(encoding[, errors]):使用指定的编码解码系列/索引中的字符串。

Series.str.encode(encoding[, errors]):使用指定的编码对系列/索引中的字符串进行编码。

Series.str.endswith(pat[, na]):测试每一个字符串元素的结尾是否与模式匹配。

Series.str.extract(pat[, flags, expand]):对于系列中的每一个主题字符串,从正则表达式pat的第一个匹配中提取组。

Series.str.extractall(pat[, flags]):对于系列中的每一个主题字符串,从正则表达式pat的全部匹配中提取组。

Series.str.find(sub[, start, end]):返回Series / Index中每一个字符串中的最低索引,其中子字符串彻底包含在[start:end]之间。

Series.str.findall(pat[, flags]):在系列/索引中查找全部出现的模式或正则表达式。

Series.str.get(i):从指定位置的每一个组件中提取元素。

Series.str.index(sub[, start, end]):返回每一个字符串中的最低索引,其中子字符串彻底包含在[start:end]之间。

Series.str.join(sep):使用传递的分隔符链接包含在Series / Index中的元素的列表。

Series.str.len():计算系列/索引中每一个字符串的长度。

Series.str.ljust(width[, fillchar]):使用附加字符填充系列/索引中字符串的右侧。

Series.str.lower():将Series / Index中的字符串转换为小写。

Series.str.lstrip([to_strip]):从左侧的系列/索引中的每一个字符串中删除空格(包括换行符)。

Series.str.match(pat[, case, flags, na, …]):肯定每一个字符串是否与正则表达式匹配。

Series.str.normalize(form):返回Series / Index中字符串的Unicode普通表单。

Series.str.pad(width[, side, fillchar]):在系列/索引中填充字符串,并在指定的一侧添加一个字符。

Series.str.partition([pat, expand]):在第一次出现sep拆分字符串,并返回包含分隔符以前的部分的3个元素,分隔符自己以及分隔符以后的部分。

Series.str.repeat(repeats):按指定的次数复制系列/索引中的每一个字符串。

Series.str.replace(pat, repl[, n, case, …]):用一些其余字符串替换Series / Index中出现的pattern / regex。

Series.str.rfind(sub[, start, end]):返回Series / Index中每一个字符串中的最高索引,其中子字符串彻底包含在[start:end]之间。

Series.str.rindex(sub[, start, end]):返回每一个字符串中的最高索引,其中子字符串彻底包含在[start:end]之间。

Series.str.rjust(width[, fillchar]):使用附加字符填充系列/索引中字符串的左侧。

Series.str.rpartition([pat, expand]):在最后一次出现sep拆分字符串,并返回包含分隔符以前的部分的3个元素,分隔符自己以及分隔符以后的部分。

Series.str.rstrip([to_strip]):从右侧的系列/索引中的每一个字符串中删除空格(包括换行符)。

Series.str.slice([start, stop, step]):从系列/索引中的每一个元素切片子串

Series.str.slice_replace([start, stop, repl]):用另外一个值替换字符串的位置切片。

Series.str.split([pat, n, expand]):在给定的分隔符/分隔符周围拆分字符串。

Series.str.rsplit([pat, n, expand]):经过给定的分隔符字符串拆分Series / Index中的每一个字符串,从字符串的末尾开始并向前工做。

Series.str.startswith(pat[, na]):测试每一个字符串元素的开头是否与模式匹配。

Series.str.strip([to_strip]):从左侧和右侧剥离系列/索引中每一个字符串的空白(包括换行符)。

Series.str.swapcase():将Series / Index中的字符串转换为swapcased。

Series.str.title():将系列/索引中的字符串转换为标题。

Series.str.translate(table[, deletechars]):经过给定的映射表映射字符串中的全部字符。

Series.str.upper():将Series / Index中的字符串转换为大写。

Series.str.wrap(width, **kwargs):将Series / Index中的长字符串换行,以长度小于给定宽度的段落格式化。

Series.str.zfill(width):使用0填充Series / Index中字符串的左侧。

Series.str.isalnum():检查Series / Index中每一个字符串中的全部字符是否为字母数字。

Series.str.isalpha():检查Series / Index中每一个字符串中的全部字符是否都是字母。

Series.str.isdigit():检查Series / Index中每一个字符串中的全部字符是否为数字。

Series.str.isspace():检查Series / Index中每一个字符串中的全部字符是否都是空格。

Series.str.islower():检查Series / Index中每一个字符串中的全部字符是否都是小写。

Series.str.isupper():检查Series / Index中每一个字符串中的全部字符是否都是大写。

Series.str.istitle():检查Series / Index中每一个字符串中的全部字符是否都是标题。

Series.str.isnumeric():检查Series / Index中每一个字符串中的全部字符是否都是数字。

Series.str.isdecimal():检查Series / Index中每一个字符串中的全部字符是否为十进制。

Series.str.get_dummies([sep]):用sep拆分Series中的每一个字符串,并返回一个虚拟/指示变量框。

分类

Pandas定义了一种自定义数据类型,用于表示只能使用有限的固定值集的数据。a的dtype Categorical能够用a来描述pandas.api.types.CategoricalDtype.

api.types.CategoricalDtype.categories:一个Index包含被容许的惟一类别。

api.types.CategoricalDtype.ordered:类别是否具备有序关系

api.types.CategoricalDtype([categories, ordered]):键入具备类别和有序性的分类数据

分类数据能够存储在 pandas.Categorical

Categorical(values[, categories, ordered, …]):表示经典R / S-plus方式的分类变量

Categorical.from_codes()已有类别和整数代码时,可使用替代构造函数:

Categorical.from_codes(codes, categories[, …]):从代码和类别数组中建立分类类型.

dtype信息可在 Categorical

Categorical.dtype:在CategoricalDtype此实例

Categorical.categories:这种分类的类别。

Categorical.ordered:类别是否具备有序关系

Categorical.codes:此类别的类别代码。

np.asarray(categorical)经过实现数组接口工做。请注意,这会将Categorical转换回NumPy数组,所以不会保留类别和订单信息

Categorical.__array__([dtype]):numpy数组接口

Categorical能够存储在Series或中DataFrame要建立一个D型系列category,使用或 其中的两种cat s.astype(dtype)Series(..., dtype=dtype)dtype

若是Series是dtype CategoricalDtypeSeries.cat则可用于更改分类数据。此访问器相似于Series.dtSeries.str具备如下可用方法和属性:

Series.cat.categories:这种分类的类别。

Series.cat.ordered:类别是否具备有序关系

Series.cat.rename_categories(*args, **kwargs):重命名类别。

Series.cat.reorder_categories(*args, **kwargs):从新排序new_categories中指定的类别。

Series.cat.add_categories(*args, **kwargs):添加新类别。

Series.cat.remove_categories(*args, **kwargs):删除指定的类别。

Series.cat.remove_unused_categories(*args, …):删除未使用的类别。

Series.cat.set_categories(*args, **kwargs):将类别设置为指定的new_categories。

Series.cat.as_ordered(*args, **kwargs):设置要排序的分类

Series.cat.as_unordered(*args, **kwargs):将Categorical设置为无序

绘图

Series.plot对于表单的特定绘图方法,它既是可调用方法又是命名空间属性Series.plot.<kind>.

Series.plot([kind, ax, figsize, ….]):系列绘图访问器和方法

Series.hist([by, ax, grid, xlabelsize, …]):使用matplotlib绘制输入序列的直方图

Series.plot.area(**kwds):区域情节

Series.plot.bar(**kwds):垂直条形图

Series.plot.barh(**kwds):单杠图

Series.plot.box(**kwds):箱形图

Series.plot.density([bw_method, ind]):使用高斯核生成核密度估计图。

Series.plot.hist([bins]):直方图

Series.plot.kde([bw_method, ind]):使用高斯核生成核密度估计图。

Series.plot.line(**kwds):线图

Series.plot.pie(**kwds):饼形图

序列化/ IO / 转换

Series.to_pickle(path[, compression, protocol]):Pickle(序列化)对象到文件。

Series.to_csv([path, index, sep, na_rep, …]):将Series写入逗号分隔值(csv)文件

Series.to_dict([into]):将Series转换为{label - > value} dict或dict-like对象。

Series.to_excel(excel_writer[, sheet_name, …]):将系列写入Excel工做表

Series.to_frame([name]):将Series转换为DataFrame

Series.to_xarray():从pandas对象返回一个xarray对象。

Series.to_hdf(path_or_buf, key, **kwargs):使用HDFStore将包含的数据写入HDF5文件。

Series.to_sql(name, con[, schema, …]):将存储在DataFrame中的记录写入SQL数据库。

Series.to_msgpack([path_or_buf, encoding]):msgpack(序列化)对象输入文件路径

Series.to_json([path_or_buf, orient, …]):将对象转换为JSON字符串。

Series.to_sparse([kind, fill_value]):将Series转换为SparseSeries

Series.to_dense():返回NDFrame的密集表示(与稀疏相反)

Series.to_string([buf, na_rep, …]):渲染系列的字符串表示形式

Series.to_clipboard([excel, sep]):将对象复制到系统剪贴板。

Series.to_latex([buf, columns, col_space, …]):将对象渲染到表格环境表。

Sparse

SparseSeries.to_coo([row_levels, …]):使用MultiIndex从SparseSeries建立scipy.sparse.coo_matrix.

SparseSeries.from_coo(A[, dense_index]):从scipy.sparse.coo_matrix建立SparseSeries.

DataFrame

构造函数

DataFrame([data, index, columns, dtype, copy]):具备标记轴(行和列)的二维大小可变,可能异构的表格数据结构.

属性和基础数据

Axes

DataFrame.dtypes:返回DataFrame中的dtypes。

DataFrame.ftypes:返回DataFrame中的ftypes(稀疏/密集和dtype的指示)。

DataFrame.get_dtype_counts():返回此对象中惟一dtypes的计数。

DataFrame.get_ftype_counts():(DEPRECATED)返回此对象中惟一ftypes的计数。

DataFrame.select_dtypes([include, exclude]):根据列dtypes返回DataFrame列的子集。

DataFrame.values:返回DataFrame的Numpy表示。

DataFrame.get_values():将稀疏值转换为密集后返回一个ndarray。

DataFrame.axes:返回表示DataFrame轴的列表。

DataFrame.ndim:返回表示轴/数组维数的int。

DataFrame.size:返回一个int,表示此对象中的元素数。

DataFrame.shape:返回表示DataFrame维度的元组。

DataFrame.memory_usage([index, deep]):以字节为单位返回每列的内存使用状况。

DataFrame.empty:指示DataFrame是否为空。

DataFrame.index:DataFrame的索引(行标签)。

DataFrame.columns:DataFrame的列标签。

转换

DataFrame.astype(dtype[, copy, errors]):将pandas对象转换为指定的dtypedtype。

DataFrame.convert_objects([convert_dates, …]):(DEPRECATED)尝试推断对象列的更好dtype。

DataFrame.infer_objects():尝试推断对象列的更好的dtypes。

DataFrame.copy([deep]):复制此对象的索引和数据。

DataFrame.isna():检测缺失值。

DataFrame.notna():检测现有(非缺失)值。

DataFrame.bool():返回单个元素PandasObject的bool。

索引, 迭代

DataFrame.head([n]):返回前n行。

DataFrame.at:访问行/列标签对的单个值。

DataFrame.iat:按整数位置访问行/列对的单个值。

DataFrame.loc:经过标签或布尔数组访问一组行和列。

DataFrame.iloc:纯粹基于整数位置的索引,用于按位置选择。

DataFrame.insert(loc, column, value[, …]):将列插入指定位置的DataFrame。

DataFrame.insert(loc, column, value[, …]):将列插入指定位置的DataFrame。

DataFrame.__iter__():迭代infor轴

DataFrame.items():迭代器(列名,系列)对。

DataFrame.keys():获取“信息轴”(请参阅​​索引了解更多信息)

DataFrame.iteritems():迭代器(列名,系列)对。

DataFrame.iterrows():将DataFrame行迭代为(index,Series)对。

DataFrame.itertuples([index, name]):将DataFrame行做为namedtuples迭代,索引值做为元组的第一个元素。

DataFrame.lookup(row_labels, col_labels):DataFrame的基于标签的“花式索引”功能。

DataFrame.pop(item):返回项目并从框架中删除。

DataFrame.tail([n]):返回最后n行。

DataFrame.xs(key[, axis, level, drop_level]):返回Series / DataFrame的横截面(行或列)。

DataFrame.get(key[, default]):从给定键的对象获取项目(DataFrame列,Panel切片等)。

DataFrame.isin(values):返回boolean DataFrame,显示DataFrame中的每一个元素是否包含在值中。

DataFrame.where(cond[, other, inplace, …]):返回与self相同形状的对象,其对应的条目来自self,其中cond为True,不然来自其余

DataFrame.mask(cond[, other, inplace, axis, …]):返回与self相同形状的对象,其对应的条目来自self,其中cond为False,不然来自other

DataFrame.query(expr[, inplace]):使用布尔表达式查询帧的列。

For more information on .at.iat.loc, and .iloc, see the indexing documentation

二元运算符函数

DataFrame.add(other[, axis, level, fill_value]):添加数据帧和其余元素(二元运算符添加)。

DataFrame.sub(other[, axis, level, fill_value]):减去数据帧和其余元素(二元运算符)。

DataFrame.mul(other[, axis, level, fill_value]):数据帧和其余元素的乘法(二元运算符mul)。

DataFrame.div(other[, axis, level, fill_value]):浮动划分数据帧和其余元素(二元运算符truediv)。

DataFrame.truediv(other[, axis, level, …]):浮动划分数据帧和其余元素(二元运算符truediv)。

DataFrame.floordiv(other[, axis, level, …]):数据帧和其余元素的整数划分(二元运算符floordiv)。

DataFrame.mod(other[, axis, level, fill_value]):数据帧的模数和其余元素(二元运算符mod)。

DataFrame.pow(other[, axis, level, fill_value]):数据帧和其余元素的指数幂(二元运算符pow)。

DataFrame.dot(other):矩阵乘法与DataFrame或Series对象。

DataFrame.radd(other[, axis, level, fill_value]):添加数据帧和其余元素(二元运算符radd)。

DataFrame.rsub(other[, axis, level, fill_value]):减去数据帧和其余元素(二元运算符rsub)。

DataFrame.rmul(other[, axis, level, fill_value]):数据帧和其余元素的乘法(二元运算符rmul)。

DataFrame.rdiv(other[, axis, level, fill_value]):数据帧和其余元素的浮动划分(二元运算符rtruediv)。

DataFrame.rtruediv(other[, axis, level, …]):数据帧和其余元素的浮动划分(二元运算符rtruediv)。

DataFrame.rfloordiv(other[, axis, level, …]):数据帧和其余元素的整数划分(二元运算符rfloordiv)。

DataFrame.rmod(other[, axis, level, fill_value]):数据帧的模数和其余元素(二元运算符rmod)。

DataFrame.rpow(other[, axis, level, fill_value]):数据帧和其余元素的指数幂(二元运算符rpow)。

DataFrame.lt(other[, axis, level]):用于灵活比较方法的包装器

DataFrame.gt(other[, axis, level]):用于灵活比较方法的包装器gt

DataFrame.le(other[, axis, level]):用于灵活比较方法的包装器

DataFrame.ge(other[, axis, level]):包装用于灵活的比较方法ge

DataFrame.ne(other[, axis, level]):用于灵活比较方法的包装器

DataFrame.eq(other[, axis, level]):用于灵活比较方法的包装器eq

DataFrame.combine(other, func[, fill_value, …]):添加两个DataFrame对象而且不传播NaN值,所以若是对于(列,时间)一个帧缺乏值,它将默认为另外一个帧的值(也多是NaN)

DataFrame.combine_first(other):将两个DataFrame对象组合在一块儿,默认为调用该方法的帧中的非空值。

Function application, GroupBy & Window

DataFrame.apply(func[, axis, broadcast, …]):沿DataFrame的轴应用函数。

DataFrame.applymap(func):将函数元素应用于Dataframe。

DataFrame.pipe(func, *args, **kwargs):应用func(self,* args,** kwargs)

DataFrame.agg(func[, axis]):使用指定轴上的一个或多个操做进行聚合。

DataFrame.aggregate(func[, axis]):使用指定轴上的一个或多个操做进行聚合。

DataFrame.transform(func, *args, **kwargs):调用函数生成相似索引的NDFrame并返回带有转换值的NDFrame

DataFrame.groupby([by, axis, level, …]):使用mapper(dict或key函数,将给定函数应用于组,将结果做为系列返回)或经过一系列列的组系列。

DataFrame.rolling(window[, min_periods, …]):提供滚动窗口计算。

DataFrame.expanding([min_periods, center, axis]):提供扩辗转换。

DataFrame.ewm([com, span, halflife, alpha, …]):提供指数加权函数

计算/ 描述性统计

DataFrame.abs():返回具备每一个元素的绝对数值的Series / DataFrame。

DataFrame.all([axis, bool_only, skipna, level]):返回是否全部元素都是True,多是在轴上。

DataFrame.any([axis, bool_only, skipna, level]):返回任何元素在请求的轴上是否为True。

DataFrame.clip([lower, upper, axis, inplace]):在输入阈值处修剪值。

DataFrame.clip_lower(threshold[, axis, inplace]):返回值低于阈值截断的输入的副本。

DataFrame.clip_upper(threshold[, axis, inplace]):输入的返回副本,其值超过给定值(截断)。

DataFrame.compound([axis, skipna, level]):返回请求轴的值的复合百分比

DataFrame.corr([method, min_periods]):计算列的成对相关性,不包括NA / null值

DataFrame.corrwith(other[, axis, drop]):计算两个DataFrame对象的行或列之间的成对关联。

DataFrame.count([axis, level, numeric_only]):计算每列或每行的非NA单元格。

DataFrame.cov([min_periods]):计算列的成对协方差,不包括NA / null值。

DataFrame.cummax([axis, skipna]):返回DataFrame或Series轴上的累积最大值。

DataFrame.cummin([axis, skipna]):返回DataFrame或Series轴上的累积最小值。

DataFrame.cumprod([axis, skipna]):经过DataFrame或Series轴返回累积产品。

DataFrame.cumsum([axis, skipna]):返回DataFrame或Series轴上的累积和。

DataFrame.describe([percentiles, include, …]):生成描述性统计数据,总结数据集分布的集中趋势,分散和形状,不包括NaN值。

DataFrame.diff([periods, axis]):第一个离散的元素差别。

DataFrame.eval(expr[, inplace]):评估描述DataFrame列上的操做的字符串。

DataFrame.kurt([axis, skipna, level, …]):使用Fisher对峰度的定义(正常峰度== 0.0),在请求轴上返回无偏峰度。

DataFrame.kurtosis([axis, skipna, level, …]):使用Fisher对峰度的定义(正常峰度== 0.0),在请求轴上返回无偏峰度。

DataFrame.mad([axis, skipna, level]):返回请求轴的值的平均绝对误差

DataFrame.max([axis, skipna, level, …]):此方法返回对象中的最大值。

DataFrame.mean([axis, skipna, level, …]):返回请求轴的值的平均值

DataFrame.median([axis, skipna, level, …]):返回请求轴的值的中值

DataFrame.min([axis, skipna, level, …]):此方法返回对象中的最小值。

DataFrame.mode([axis, numeric_only]):获取沿所选轴的每一个元素的模式。

DataFrame.pct_change([periods, fill_method, …]):当前元素和先前元素之间的百分比变化。

DataFrame.prod([axis, skipna, level, …]):返回请求轴的值的乘积

DataFrame.product([axis, skipna, level, …]):返回请求轴的值的乘积

DataFrame.quantile([q, axis, numeric_only, …]):在请求的轴上返回给定分位数的值,即la numpy.percentile。

DataFrame.rank([axis, method, numeric_only, …]):沿轴计算数值数据等级(1到n)。

DataFrame.round([decimals]):将DataFrame舍入到可变数量的小数位。

DataFrame.sem([axis, skipna, level, ddof, …]):在请求的轴上返回均值的无偏标准偏差。

DataFrame.skew([axis, skipna, level, …]):返回请求轴的无恰恰差,由N-1归一化

DataFrame.sum([axis, skipna, level, …]):返回请求轴的值的总和

DataFrame.std([axis, skipna, level, ddof, …]):返回请求轴上的样本标准误差。

DataFrame.var([axis, skipna, level, ddof, …]):在请求的轴上返回无误差异。

DataFrame.nunique([axis, dropna]):返回具备所请求轴上的不一样观察数的系列。

从新索引/ 选择/ 标签操做

DataFrame.add_prefix(prefix):带有字符串前缀的前缀标签。

DataFrame.add_suffix(suffix):带有字符串后缀的后缀标签。

DataFrame.align(other[, join, axis, level, …]):使用指定的每一个轴索引的链接方法将轴上的两个对象对齐

DataFrame.at_time(time[, asof]):在特定时间选择值(例如,

DataFrame.between_time(start_time, end_time):选择一天中特定时间之间的值(例如,上午9:00-9:30)。

DataFrame.drop([labels, axis, index, …]):从行或列中删除指定的标签。

DataFrame.drop_duplicates([subset, keep, …]):返回删除了重复行的DataFrame,可选择仅考虑某些列

DataFrame.duplicated([subset, keep]):返回boolean Series表示重复行,可选择仅考虑某些列

DataFrame.equals(other):肯定两个NDFrame对象是否包含相同的元素。

DataFrame.filter([items, like, regex, axis]):根据指定索引中的标签设置数据框的行或列。

DataFrame.first(offset):用于基于日期偏移量化时间序列数据的初始时段的便捷方法。

DataFrame.head([n]):返回前n行。

DataFrame.idxmax([axis, skipna]):返回请求轴上第一次出现最大值的索引。

DataFrame.idxmin([axis, skipna]):返回首次出现最小请求轴的索引。

DataFrame.last(offset):用于基于日期偏移量化时间序列数据的最终时段的便捷方法。

DataFrame.reindex([labels, index, columns, …]):使用可选填充逻辑将DataFrame符合到新索引,将NA / NaN放置在先前索引中没有值的位置。

DataFrame.reindex_axis(labels[, axis, …]):使用可选填充逻辑将输入对象符合到新索引,将NA / NaN放置在先前索引中没有值的位置。

DataFrame.reindex_like(other[, method, …]):将具备匹配索引的对象返回给我本身。

DataFrame.rename([mapper, index, columns, …]):更改轴标签。

DataFrame.rename_axis(mapper[, axis, copy, …]):更改索引或列的名称。

DataFrame.reset_index([level, drop, …]):对于具备多级索引的DataFrame,在索引名称下的列中返回带有标签信息的新DataFrame,默认为“level_0”,“level_1”等。

DataFrame.sample([n, frac, replace, …]):从对象轴返回随机的项目样本。

DataFrame.select(crit[, axis]):(DEPRECATED)返回与轴标签匹配条件对应的数据

DataFrame.set_axis(labels[, axis, inplace]):将所需索引分配给给定轴。

DataFrame.set_index(keys[, drop, append, …]):使用一个或多个现有列设置DataFrame索引(行标签)。

DataFrame.tail([n]):返回最后n行。

DataFrame.take(indices[, axis, convert, is_copy]):沿轴返回给定位置索引中的元素。

DataFrame.truncate([before, after, axis, copy]):在某个索引值以前和以后截断Series或DataFrame。

缺乏数据处理

DataFrame.dropna([axis, how, thresh, …]):删除缺失的值。

DataFrame.fillna([value, method, axis, …]):使用指定的方法填充NA / NaN值

DataFrame.replace([to_replace, value, …]):替换给定的值to_replace价值

DataFrame.interpolate([method, axis, limit, …]):根据不一样的方法插值。

重塑, 排序, 转置

DataFrame.pivot([index, columns, values]):返回由给定索引/列值组织的从新整形的DataFrame。

DataFrame.pivot_table([values, index, …]):建立一个电子表格样式的数据透视表做为DataFrame。

DataFrame.reorder_levels(order[, axis]):使用输入顺序从新排列索引级别。

DataFrame.sort_values(by[, axis, ascending, …]):按任一轴的值排序

DataFrame.sort_index([axis, level, …]):按标签排序对象(沿轴)

DataFrame.nlargest(n, columns[, keep]):返回第一个ñ经过有序的行按降序排列。

DataFrame.nsmallest(n, columns[, keep]):获取按n最小值排序的DataFrame行。

DataFrame.swaplevel([i, j, axis]):在特定轴上的MultiIndex中交换i和j级别

DataFrame.stack([level, dropna]):将指定级别从列堆叠到索引。

DataFrame.unstack([level, fill_value]):透视(必要的分层)索引标签的级别,返回具备新级别列标签的DataFrame,其最内层级别由透视索引标签组成。

DataFrame.swapaxes(axis1, axis2[, copy]):交换轴和交换值轴适当

DataFrame.melt([id_vars, value_vars, …]):“Unpivots”DataFrame从宽格式到长格式,可选择设置标识符变量。

DataFrame.squeeze([axis]):挤压长度1维。

DataFrame.to_panel():(DEPRECATED)将长(堆叠)格式(DataFrame)转换为宽(3D,Panel)格式。

DataFrame.to_xarray():从pandas对象返回一个xarray对象。

DataFrame.T:转置索引和列。

DataFrame.transpose(*args, **kwargs):转置索引和列。

合并/ 加入

DataFrame.append(other[, ignore_index, …]):将其余行附加到此帧的末尾,返回一个新对象。

DataFrame.assign(**kwargs):将新列分配给DataFrame,返回一个新对象(副本),并将新列添加到原始列中。

DataFrame.join(other[, on, how, lsuffix, …]):在索引或键列上与其余DataFrame链接列。

DataFrame.merge(right[, how, on, left_on, …]):经过按列或索引执行数据库样式的链接操做来合并DataFrame对象。

DataFrame.update(other[, join, overwrite, …]):使用另外一个DataFrame中的非NA值进行就地修改。

时间序列

DataFrame.asfreq(freq[, method, how, …]):将TimeSeries转换为指定的频率。

DataFrame.asof(where[, subset]):获取没有任何NaN的最后一行(或者在没有NaN的状况下考虑仅使用DataFrame状况下的列子集的最后一行)

DataFrame.shift([periods, freq, axis]):使用可选的时间频率定期望的周期数移动索引

DataFrame.slice_shift([periods, axis]):至关于移位而不复制数据。

DataFrame.tshift([periods, freq, axis]):若是可用,使用索引的频率来移动时间索引。

DataFrame.first_valid_index():返回第一个非NA / null值的索引。

DataFrame.last_valid_index():返回最后一个非NA / null值的索引。

DataFrame.resample(rule[, how, axis, …]):频率转换和时间序列重采样的便捷方法。

DataFrame.to_period([freq, axis, copy]):使用所需频率将DataFrame从DatetimeIndex转换为PeriodIndex(若是未传递,则从索引推断)

DataFrame.to_timestamp([freq, how, axis, copy]):在期间开始时转换为时间戳的DatetimeIndex

DataFrame.tz_convert(tz[, axis, level, copy]):将tz感知轴转换为目标时区。

DataFrame.tz_localize(tz[, axis, level, …]):将tz-naive TimeSeries本地化为目标时区。

绘图

DataFrame.plot对于表单的特定绘图方法,它既是可调用方法又是命名空间属性DataFrame.plot.<kind>.

DataFrame.plot([x, y, kind, ax, ….]):DataFrame绘制访问器和方法

DataFrame.boxplot([column, by, ax, …]):从DataFrame列建立一个箱形图.

DataFrame.hist([column, by, grid, …]):制做DataFrame的直方图.

DataFrame.plot.area([x, y]):区域情节

DataFrame.plot.bar([x, y]):垂直条形图。

DataFrame.plot.barh([x, y]):制做一个水平条形图。

DataFrame.plot.box([by]):制做DataFrame列的方框图。

DataFrame.plot.density([bw_method, ind]):使用高斯核生成核密度估计图。

DataFrame.plot.hexbin(x, y[, C, …]):生成六边形分箱图。

DataFrame.plot.hist([by, bins]):绘制DataFrame列的一个直方图。

DataFrame.plot.kde([bw_method, ind]):使用高斯核生成核密度估计图。

DataFrame.plot.line([x, y]):将DataFrame列绘制为线条。

DataFrame.plot.pie([y]):生成饼图。

DataFrame.plot.scatter(x, y[, s, c]):建立具备不一样标记点大小和颜色的散点图。

序列化/ IO / 转换

DataFrame.from_dict(data[, orient, dtype, …]):从相似数组或dicts的dict构造DataFrame。

DataFrame.from_items(items[, columns, orient]):(DEPRECATED)从元组列表构造数据框

DataFrame.from_records(data[, index, …]):将结构化或记录ndarray转换为DataFrame

DataFrame.info([verbose, buf, max_cols, …]):打印DataFrame的简明摘要。

DataFrame.to_parquet(fname[, engine, …]):将DataFrame写入二进制镶木地板格式。

DataFrame.to_pickle(path[, compression, …]):Pickle(序列化)对象到文件。

DataFrame.to_csv([path_or_buf, sep, na_rep, …]):将DataFrame写入逗号分隔值(csv)文件

DataFrame.to_hdf(path_or_buf, key, **kwargs):使用HDFStore将包含的数据写入HDF5文件。

DataFrame.to_sql(name, con[, schema, …]):将存储在DataFrame中的记录写入SQL数据库。

DataFrame.to_dict([orient, into]):将DataFrame转换为字典。

DataFrame.to_excel(excel_writer[, …]):将DataFrame写入Excel工做表

DataFrame.to_json([path_or_buf, orient, …]):将对象转换为JSON字符串。

DataFrame.to_html([buf, columns, col_space, …]):将DataFrame呈现为HTML表格。

DataFrame.to_feather(fname):写出DataFrames的二进制羽毛格式

DataFrame.to_latex([buf, columns, …]):将对象渲染到表格环境表。

DataFrame.to_stata(fname[, convert_dates, …]):导出Stata二进制dta文件。

DataFrame.to_msgpack([path_or_buf, encoding]):msgpack(序列化)对象输入文件路径

DataFrame.to_gbq(destination_table, project_id):将DataFrame写入Google BigQuery表。

DataFrame.to_records([index, convert_datetime64]):将DataFrame转换为NumPy记录数组。

DataFrame.to_sparse([fill_value, kind]):转换为SparseDataFrame

DataFrame.to_dense():返回NDFrame的密集表示(与稀疏相反)

DataFrame.to_string([buf, columns, …]):将DataFrame渲染为控制台友好的表格输出。

DataFrame.to_clipboard([excel, sep]):将对象复制到系统剪贴板。

DataFrame.style:返回Styler对象的属性,该对象包含用于为DataFrame构建样式化HTML表示的方法

Sparse

SparseDataFrame.to_coo():将帧的内容做为稀疏的SciPy COO矩阵返回.

面板

Attributes and underlying data

Axes

  • 项目:轴0; 每一个项目对应一个包含在其中的DataFrame
  • major_axis:轴1; 每一个DataFrame的索引(行)
  • minor_axis:轴2; 每一个DataFrame的列

Panel.values:返回DataFrameNumpy表示。

Panel.axes:返回内部NDFrame的索引标签

Panel.ndim:返回表示轴/数组维数的int

Panel.size:返回一个int,表示此对象中的元素数。

Panel.shape:返回轴尺寸的元组

Panel.dtypes:返回DataFrame中的dtypes

Panel.ftypes:返回DataFrame中的ftypes(稀疏/密集和dtype的指示)。

Panel.get_dtype_counts():返回此对象中惟一dtypes的计数。

Panel.get_ftype_counts():(DEPRECATED)返回此对象中惟一ftypes的计数

转换

Panel.astype(dtype[, copy, errors])pandas对象转换为指定的dtype dtype

Panel.copy([deep])复制此对象的索引和数据。

Panel.isna()检测缺失值。

 

Panel.notna()检测现有(非缺失)值。

索引, 迭代, 切片

Panel.at访问行/列标签对的单个值。

Panel.iat按整数位置访问行/列对的单个值。

Panel.loc经过标签或布尔数组访问一组行和列。

Panel.iloc纯粹基于整数位置的索引,用于按位置选择。

Panel.__iter__()迭代infor

Panel.iteritems()在信息轴上迭代(标签,值)

Panel.pop(item)返回项目并从框架中删除。

Panel.xs(key[, axis])沿选定轴返回面板切片

Panel.major_xs(key)沿主轴返回面板切片

 

Panel.minor_xs(key)沿短轴返回面板切片

For more information on .at.iat.loc, and .iloc, see the indexing documentation.

Binary operator functions

Panel.add(other[, axis])添加系列和其余元素(二元运算符添加)。

Panel.sub(other[, axis])减去序列和其余元素(二元运算符)。

Panel.mul(other[, axis])系列和其余的乘法,元素(二元运算符mul)。

Panel.div(other[, axis])系列和其余的浮动划分,元素方式(二元算子truediv)。

Panel.truediv(other[, axis])系列和其余的浮动划分,元素方式(二元算子truediv)。

Panel.floordiv(other[, axis])系列和其余的整数除法,元素方式(二元运算符floordiv)。

Panel.mod(other[, axis])系列和其余的模数,元素方式(二元运算符mod)。

Panel.pow(other[, axis])系列和其余元素的指数幂(二元运算符pow)。

Panel.radd(other[, axis])添加系列和其余元素(二元运算符radd)。

Panel.rsub(other[, axis])减去序列和其余元素(二元运算符rsub)。

Panel.rmul(other[, axis])系列和其余的乘法,元素(二元运算符rmul)。

Panel.rdiv(other[, axis])系列和其余的浮动划分,元素方式(二元算子rtruediv)。

Panel.rtruediv(other[, axis])系列和其余的浮动划分,元素方式(二元算子rtruediv)。

Panel.rfloordiv(other[, axis])系列和其余的整数除法,元素方式(二元运算符rfloordiv)。

Panel.rmod(other[, axis])系列和其余的模数,元素方式(二元运算符rmod)。

Panel.rpow(other[, axis])系列和其余元素的指数幂(二元运算符rpow)。

Panel.lt(other[, axis])用于比较方法的包装器lt

Panel.gt(other[, axis])用于比较方法的包装器gt

Panel.le(other[, axis])用于比较方法的包装器

Panel.ge(other[, axis])包装用于比较方法ge

Panel.ne(other[, axis])用于比较方法的包装器ne

Panel.eq(other[, axis])用于比较方法的包装器eq

Function application, GroupBy

Panel.apply(func[, axis]):沿Panel的轴(或轴)应用功能

Panel.groupby(function[, axis]):在给定轴上分组数据,返回GroupBy对象

计算/ 描述属性

Panel.abs()返回具备每一个元素的绝对数值的Series / DataFrame

Panel.clip([lower, upper, axis, inplace])在输入阈值处修剪值。

Panel.clip_lower(threshold[, axis, inplace])返回值低于阈值截断的输入的副本。

Panel.clip_upper(threshold[, axis, inplace])输入的返回副本,其值超过给定值(截断)。

Panel.count([axis])返回请求轴上的观察数。

Panel.cummax([axis, skipna])返回DataFrameSeries轴上的累积最大值。

Panel.cummin([axis, skipna])返回DataFrameSeries轴上的累积最小值。

Panel.cumprod([axis, skipna])经过DataFrameSeries轴返回累积产品。

Panel.cumsum([axis, skipna])返回DataFrameSeries轴上的累积和。

Panel.max([axis, skipna, level, numeric_only])此方法返回对象中的最大值。

Panel.mean([axis, skipna, level, numeric_only])返回请求轴的值的平均值

Panel.median([axis, skipna, level, numeric_only])返回请求轴的值的中值

Panel.min([axis, skipna, level, numeric_only])此方法返回对象中的最小值。

Panel.pct_change([periods, fill_method, …])当前元素和先前元素之间的百分比变化。

Panel.prod([axis, skipna, level, …])返回请求轴的值的乘积

Panel.sem([axis, skipna, level, ddof, …])在请求的轴上返回均值的无偏标准偏差。

Panel.skew([axis, skipna, level, numeric_only])返回请求轴的无恰恰差,由N-1归一化

Panel.sum([axis, skipna, level, …])返回请求轴的值的总和

Panel.std([axis, skipna, level, ddof, …])返回请求轴上的样本标准误差。

Panel.var([axis, skipna, level, ddof, …])在请求的轴上返回无误差异。

从新索引/ 选择/ 标签操做

Panel.add_prefix(prefix)带有字符串前缀的前缀标签。

Panel.add_suffix(suffix)带有字符串后缀的后缀标签。

Panel.drop([labels, axis, index, columns, …])

Panel.equals(other)肯定两个NDFrame对象是否包含相同的元素。

Panel.filter([items, like, regex, axis])根据指定索引中的标签设置数据框的行或列。

Panel.first(offset)用于基于日期偏移量化时间序列数据的初始时段的便捷方法。

Panel.last(offset)用于基于日期偏移量化时间序列数据的最终时段的便捷方法。

Panel.reindex(*args, **kwargs)使用可选填充逻辑将Panel转换为新索引,将NA / NaN放置在先前索引中没有值的位置。

Panel.reindex_axis(labels[, axis, method, …])使用可选填充逻辑将输入对象符合到新索引,将NA / NaN放置在先前索引中没有值的位置。

Panel.reindex_like(other[, method, copy, …])将具备匹配索引的对象返回给我本身。

Panel.rename([items, major_axis, minor_axis])更改轴输入功能。

Panel.sample([n, frac, replace, weights, …])从对象轴返回随机的项目样本。

Panel.select(crit[, axis])DEPRECATED)返回与轴标签匹配条件对应的数据

Panel.take(indices[, axis, convert, is_copy])沿轴返回给定位置索引中的元素。

Panel.truncate([before, after, axis, copy])在某个索引值以前和以后截断SeriesDataFrame

缺乏数据处理

Panel.dropna([axis, how, inplace]):从面板中删除2D,保持传递的轴不变

重塑, 排序, 转置

Panel.sort_index([axis, level, ascending, …])按标签排序对象(沿轴)

Panel.swaplevel([i, j, axis])在特定轴上的MultiIndex中交换ij级别

Panel.transpose(*args, **kwargs)置换面板的尺寸

Panel.swapaxes(axis1, axis2[, copy])交换轴和交换值轴适当

Panel.conform(frame[, axis])使输入DataFrame符合选定的轴对。

合并/ 加入

Panel.join(other[, how, lsuffix, rsuffix])在主轴和次轴列上与其余面板链接项目

Panel.update(other[, join, overwrite, …])使用来自传递的Panel的非NA值或可强制化为Panel的对象来修改面板。

时间序列相关

Panel.asfreq(freq[, method, how, normalize, …])TimeSeries转换为指定的频率。

Panel.shift([periods, freq, axis])使用可选的时间频率定期望的周期数移动索引。

Panel.resample(rule[, how, axis, …])频率转换和时间序列重采样的便捷方法。

Panel.tz_convert(tz[, axis, level, copy])tz感知轴转换为目标时区。

Panel.tz_localize(tz[, axis, level, copy, …])tz-naive TimeSeries本地化为目标时区。

序列化/ IO / 转换

Panel.from_dict(data[, intersect, orient, dtype])DataFrame对象的dict构造Panel

Panel.to_pickle(path[, compression, protocol])Pickle(序列化)对象到文件。

Panel.to_excel(path[, na_rep, engine])Panel中的每一个DataFrame写入单独的Excel工做表

Panel.to_hdf(path_or_buf, key, **kwargs)使用HDFStore将包含的数据写入HDF5文件。

Panel.to_sparse(*args, **kwargs)NOT IMPLEMENTED:不要调用此方法,由于Panel对象不支持稀疏,而且会引起错误。

Panel.to_frame([filter_observations])将宽格式转换为长(堆叠)格式,做为DataFrame,其列是Panel的项目,其索引是由Panel的主轴和次轴组成的MultiIndex

Panel.to_clipboard([excel, sep])将对象复制到系统剪贴板。

索引

其中许多方法或其变体可用于包含索引(Series / DataFrame)的对象,而且最有可能在直接调用这些方法以前使用这些方法或变体.

Index:不可变的ndarray实现有序的可切片集.

属性

Index.values:将基础数据做为ndarray返回

Index.is_monotonic:is_monotonic_increasing的别名(不建议使用)

Index.is_monotonic_increasing:若是索引是单调递增(仅等于或增长)值,则返回。

Index.is_monotonic_decreasing:若是索引是单调递减(仅等于或递减)值,则返回。

Index.is_unique:若是索引具备惟一值,则返回

Index.has_duplicates

Index.hasnans:若是我有任何nans,我会回来; 实现各类性能加速

Index.dtype:返回基础数据的dtype对象

Index.dtype_str:返回基础数据的dtype str

Index.inferred_type:返回从值推断出的类型的字符串

Index.is_all_dates

Index.shape:返回基础数据形状的元组

Index.name

Index.names

Index.nbytes:返回基础数据中的字节数

Index.ndim:根据定义1,返回基础数据的维数

Index.size:返回基础数据中的元素数量

Index.empty

Index.strides:返回基础数据的步幅

Index.itemsize:返回基础数据项的dtype的大小

Index.base:若是共享基础数据的内存,则返回基础对象

Index.T:返回转置,根据定义自我

Index.memory_usage([deep]):内存使用值

修改和计算

Index.all(*args, **kwargs)返回是否全部元素都为True

Index.any(*args, **kwargs)返回任何元素是否为True

Index.argmin([axis])返回最小参数索引器的ndarray

Index.argmax([axis])返回最大参数索引器的ndarray

Index.copy([name, deep, dtype])制做此对象的副本。

Index.delete(loc)删除已传递位置(-s)的新索引

Index.drop(labels[, errors])删除已传递标签列表的新索引

Index.drop_duplicates([keep])返回索引,删除重复值。

Index.duplicated([keep])指示重复的索引值。

Index.equals(other)肯定两个Index对象是否包含相同的元素。

Index.factorize([sort, na_sentinel])将对象编码为枚举类型或分类变量。

Index.identical(other)equals相似,但检查其余可比属性是否相等

Index.insert(loc, item)使新索引在位置插入新项目。

Index.is_(other)更灵活,更快速的检查,is但经过视图工做

Index.is_boolean()

Index.is_categorical()检查索引是否包含分类数据。

Index.is_floating()

Index.is_integer()

Index.is_interval()

Index.is_lexsorted_for_tuple(tup)

Index.is_mixed()

Index.is_numeric()

Index.is_object()

Index.min()返回索引的最小值。

Index.max()返回索引的最大值。

Index.reindex(target[, method, level, …])使用目标值建立索引(根据须要移动/添加/删除值)

Index.rename(name[, inplace])在索引上设置新名称。

Index.repeat(repeats, *args, **kwargs)重复索引的元素。

Index.where(cond[, other])版本0.19.0中的新功能。

Index.take(indices[, axis, allow_fill, …])返回索引选择的值的新索引

Index.putmask(mask, value)返回使用掩码设置的值的新索引

Index.set_names(names[, level, inplace])在索引上设置新名称。

Index.unique([level])返回索引中的惟一值。

Index.nunique([dropna])返回对象中惟一元素的数量。

Index.value_counts([normalize, sort, …])返回包含惟一值计数的对象。

缺乏值

Index.fillna([value, downcast])使用指定值填充NA / NaN

Index.dropna([how])返回没有NA / NaN值的索引

Index.isna()检测缺失值。

Index.notna()检测现有(非缺失)值

转换

Index.astype(dtype[, copy])使用强制转换为dtypes的值建立索引。

Index.item()将基础数据的第一个元素做为python标量返回

Index.map(mapper[, na_action])使用输入对应(字典,系列或函数)映射值。

Index.ravel([order])返回基础数据的扁平值的ndarray

Index.tolist()返回值列表。

Index.to_native_types([slicer])格式化self指定值并返回它们。

Index.to_series([index, name])建立一个索引和值等于索引键的系列,该索引键对map用于根据索引返回索引器

Index.to_frame([index])使用包含索引的列建立DataFrame

排序

Index.argsort(*args, **kwargs)返回将对索引进行排序的整数指标

Index.searchsorted(value[, side, sorter])查找应插入元素以维护顺序的索引

Index.sort_values([return_indexer, ascending])返回索引的排序副本

特定时间的操做

Index.shift([periods, freq])按所需的时间频率增量数移动索引.

组合/ 加入/ 设置操做

Index.append(other)一块儿附加索引选项的集合

Index.join(other[, how, level, …])这是一种内部非公开方法

Index.intersection(other)造成两个Index对象的交集。

Index.union(other)若是可能,造成两个Index对象的联合和排序。

Index.difference(other)返回包含索引中不在其余元素中的元素的新索引。

Index.symmetric_difference(other[, result_name])计算两个Index对象的对称差别

选择

Index.asof(label)对于排序索引,返回最新标签,包括传递的标签。

Index.asof_locs(where, mask)其中:timestamps数组mask:数据不是NA的布尔数组

Index.contains(key)若是此键在索引中,则返回布尔值

Index.get_duplicates()DEPRECATED)提取重复的索引元素。

Index.get_indexer(target[, method, limit, …])给定当前索引计算新索引的索引器和掩码。

Index.get_indexer_for(target, **kwargs)即便在非惟一时也保证返回索引器这将调整到get_indexerget_indexer_nonunique

Index.get_indexer_non_unique(target)给定当前索引计算新索引的索引器和掩码。

Index.get_level_values(level)返回请求级别的值索引,等于索引的长度。

Index.get_loc(key[, method, tolerance])获取所请求标签的整数位置,切片或布尔掩码。

Index.get_slice_bound(label, side, kind)计算与给定标签对应的切片边界。

Index.get_value(series, key)1ndarray快速查找值。

Index.get_values()索引数据做为numpy.ndarray返回。

Index.set_value(arr, key, value)1ndarray快速查找值。

Index.isin(values[, level])返回一个布尔数组,其中索引值为value

Index.slice_indexer([start, end, step, kind])对于有序或惟一索引,请计算输入标签和步骤的切片索引器。

Index.slice_locs([start, end, step, kind])计算输入标签的切片位置。

Numeric Index

RangeIndex不可变指数实现单调整数范围。

Int64Index不可变的ndarray实现有序的可切片集。

UInt64Index不可变的ndarray实现有序的可切片集。

Float64Index不可变的ndarray实现有序的可切片集。

RangeIndex.from_range(data[, name, dtype])从范围(py3)或xrangepy2)对象建立RangeIndex

分类

CategoricalIndex:不可变索引实现有序的可切片集

分类组件

CategoricalIndex.rename_categories(*args, …)重命名类别。

CategoricalIndex.reorder_categories(*args, …)从新排序new_categories中指定的类别。

CategoricalIndex.add_categories(*args, **kwargs)添加新类别。

CategoricalIndex.remove_categories(*args, …)删除指定的类别。

CategoricalIndex.remove_unused_categories(…)删除未使用的类别。

CategoricalIndex.set_categories(*args, **kwargs)将类别设置为指定的new_categories

CategoricalIndex.as_ordered(*args, **kwargs)设置要排序的分类

CategoricalIndex.as_unordered(*args, **kwargs)Categorical设置为无序

CategoricalIndex.map(mapper)使用输入对应(字典,系列或函数)映射值。

IntervalIndex

IntervalIndex不可变索引实现有序的可切片集.

IntervalIndex Components

IntervalIndex.from_arrays(left, right[, …])从定义左边界和右边界的两个数组构造。

IntervalIndex.from_tuples(data[, closed, …])从元组的列表/数组构造IntervalIndex

IntervalIndex.from_breaks(breaks[, closed, …])从一组拆分构造一个IntervalIndex

IntervalIndex.contains(key)返回一个布尔值,指示键是否在索引中

IntervalIndex.leftIntervalIndex中每一个Interval的左端点做为索引返回

IntervalIndex.rightIntervalIndex中每一个Interval的右端点做为索引返回

IntervalIndex.midIntervalIndex中每一个Interval的中点做为索引返回

IntervalIndex.closed是否在左侧,右侧,二者或二者都关闭间隔

IntervalIndex.length返回一个索引,其中的条目表示IntervalIndex中每一个Interval的长度

IntervalIndex.valuesIntervalIndex的数据做为Interval对象的numpy数组返回(使用dtype ='object'

IntervalIndex.is_non_overlapping_monotonic若是IntervalIndex不重叠(没有间隔共享点)而且是单调递增或单调递减,则返回True,不然返回False

IntervalIndex.get_loc(key[, method])获取所请求标签的整数位置,切片或布尔掩码。

IntervalIndex.get_indexer(target[, method, …])给定当前索引计算新索引的索引器和掩码。

多指标

MultiIndex用于pandas对象的多级或分层索引对象

IndexSlice建立一个对象以更轻松地执行多索引切片

MultiIndex 构造函数

MultiIndex.from_arrays(arrays[, sortorder, …])将数组转换为MultiIndex

MultiIndex.from_tuples(tuples[, sortorder, …])将元组列表转换为MultiIndex

MultiIndex.from_product(iterables[, …])从多个迭代的笛卡尔积中建立一个MultiIndex

MultiIndex 属性

MultiIndex.namesMultiIndex中的级别名称

MultiIndex.levels

MultiIndex.labels

MultiIndex.nlevelsMultiIndex中的整数级别。

MultiIndex.levshape每一个级别长度的元组。

MultiIndex 组件

MultiIndex.set_levels(levels[, level, …])MultiIndex上设置新级别。

MultiIndex.set_labels(labels[, level, …])MultiIndex上设置新标签。

MultiIndex.to_hierarchical(n_repeat[, n_shuffle])返回从新整形的MultiIndex以符合n_repeatn_shuffle给出的形状。

MultiIndex.to_frame([index])使用MultiIndex的级别做为列建立DataFrame

MultiIndex.is_lexsorted()若是标签按字典顺序排序,则返回True

MultiIndex.sortlevel([level, ascending, …])按要求的级别对MultiIndex进行排序。

MultiIndex.droplevel([level])已删除请求级别的返回索引。

MultiIndex.swaplevel([i, j])交换等级i与等级j

MultiIndex.reorder_levels(order)使用输入顺序从新排列级别。

MultiIndex.remove_unused_levels()从当前删除未使用的级别建立一个新的MultiIndex,这意味着它们不会在标签中表示

MultiIndex.unique([level])返回索引中的惟一值。

MultiIndex 选择

MultiIndex.get_loc(key[, method])获取标签或标签元组的位置做为整数,切片或布尔掩码。

MultiIndex.get_indexer(target[, method, …])给定当前索引计算新索引的索引器和掩码。

MultiIndex.get_level_values(level)返回请求级别的标签值向量,等于索引的长度

DatetimeIndex

DatetimeIndexdatetime64数据的不可变ndarray,内部表示为int64,能够装入Timestamp对象,这些对象是datetime的子类,并携带元数据,如频率信息.

选择时间/日期组件

DatetimeIndex.year日期时间

DatetimeIndex.month月份为1= 112= 12

DatetimeIndex.day日期时间的日子

DatetimeIndex.hour日期时间

DatetimeIndex.minute日期时间的分钟

DatetimeIndex.second日期时间的秒数

DatetimeIndex.microsecond日期时间的微秒

DatetimeIndex.nanosecond日期时间的纳秒

DatetimeIndex.date返回numpy数组的python datetime.date对象(即没有时区信息的Timestamps的日期部分)。

DatetimeIndex.time返回datetime.timenumpy数组。

DatetimeIndex.dayofyear一年中的序很多天

DatetimeIndex.weekofyear一年中的一周序数

DatetimeIndex.week一年中的一周序数

DatetimeIndex.dayofweek星期一= 0,星期日= 6的星期几

DatetimeIndex.weekday星期一= 0,星期日= 6的星期几

DatetimeIndex.quarter日期的四分之一

DatetimeIndex.tz

DatetimeIndex.freq若是已设置,则返回频率对象,不然返回None

DatetimeIndex.freqstr若是设置了频率对象,则将其做为字符串返回,不然为None

DatetimeIndex.is_month_start逻辑指示是否每个月的第一天(由频率定义)

DatetimeIndex.is_month_end指示日期是不是该月的最后一天。

DatetimeIndex.is_quarter_start指示日期是不是一个季度的第一天。

DatetimeIndex.is_quarter_end指示日期是不是一个季度的最后一天。

DatetimeIndex.is_year_start指明日期是不是一年的第一天。

DatetimeIndex.is_year_end指明日期是一年中的最后一天。

DatetimeIndex.is_leap_year布尔指示符,若是日期属于闰年。

 

DatetimeIndex.inferred_freq尝试返回表示由infer_freq生成的频率猜想的字符串

选择

DatetimeIndex.indexer_at_timetime[asof]):返回特定时刻的索引值的索引位置(例如,

 

DatetimeIndex.indexer_between_time... [...]):返回值的特定时间之间的值的索引位置(例如,900-930AM)。

 

特定时间的操做

DatetimeIndex.normalize()将时间转换为午夜。

DatetimeIndex.strftime(date_format)使用指定的date_format转换为Index

DatetimeIndex.snap([freq])将时间戳记录到最近出现的频率

DatetimeIndex.tz_convert(tz)tz-aware DatetimeIndex从一个时区转换为另外一个时区。

DatetimeIndex.tz_localize(tz[, ambiguous, …])tz-naive DatetimeIndex本地化为tz-aware DatetimeIndex

DatetimeIndex.round(freq, *args, **kwargs)将数据舍入到指定的频率

DatetimeIndex.floor(freq)将数据置于指定的频率

DatetimeIndex.ceil(freq)将数据ceil到指定的频率

DatetimeIndex.month_name([locale])返回具备指定语言环境的DateTimeIndex的月份名称。

 

DatetimeIndex.day_name([locale])返回具备指定语言环境的DateTimeIndex的日期名称。

转换

DatetimeIndex.to_period([freq])以特定频率转换为PeriodIndex

DatetimeIndex.to_perioddelta(freq)计算索引值与指定频率下转换为periodIndex的索引之间差别的TimedeltaIndex

DatetimeIndex.to_pydatetime()返回DatetimeIndex做为datetime.datetime对象的对象ndarray

DatetimeIndex.to_series([keep_tz, index, name])建立一个索引和值等于索引键的系列,该索引键对map用于根据索引返回索引器

DatetimeIndex.to_frame([index])使用包含索引的列建立DataFrame

TimedeltaIndex

TimedeltaIndextimedelta64数据的不可变ndarray,内部表示为int64,能够装入timedelta对象

ConversionComponents

TimedeltaIndex.days:每一个元素的天数。

TimedeltaIndex.seconds:每一个元素的秒数(> = 0且小于1天)。

TimedeltaIndex.microseconds:每一个元素的微秒数(> = 0且小于1秒)。

TimedeltaIndex.nanoseconds:每一个元素的纳秒数(> = 0且小于1微秒)。

TimedeltaIndex.components:返回Timedeltas的组件(天,小时,分钟,秒,毫秒,微秒,纳秒)的数据帧。

 

TimedeltaIndex.inferred_freq:尝试返回表示由infer_freq生成的频率猜想的字符串。

转换

TimedeltaIndex.to_pytimedelta()返回TimedeltaIndex做为datetime.timedelta对象的对象ndarray

TimedeltaIndex.to_series([index, name])建立一个索引和值等于索引键的系列,该索引键对map用于根据索引返回索引器

TimedeltaIndex.round(freq, *args, **kwargs)将数据舍入到指定的频率

TimedeltaIndex.floor(freq)将数据置于指定的频率

TimedeltaIndex.ceil(freq)将数据ceil到指定的频率

TimedeltaIndex.to_frame([index])使用包含索引的列建立DataFrame

PeriodIndex

PeriodIndex:不可变的ndarray持有序数值,表示特定的时间段,如特定的年,季度,月等

属性

PeriodIndex.day:这段时期

PeriodIndex.dayofweek:星期一= 0,星期日= 6的星期几

PeriodIndex.dayofyear:一年中的序很多天

PeriodIndex.days_in_month:本月的天数

PeriodIndex.daysinmonth:本月的天数

PeriodIndex.end_time

PeriodIndex.freq:若是已设置,则返回频率对象,不然返回None

PeriodIndex.freqstr:若是设置了频率对象,则将其做为字符串返回,不然为None

PeriodIndex.hour:这段时间

PeriodIndex.is_leap_year:逻辑指示日期是否属于闰年

PeriodIndex.minute:这段时间的一分钟

PeriodIndex.month:月份为1= 112= 12

PeriodIndex.quarter:日期的四分之一

PeriodIndex.qyear

PeriodIndex.second:第二个时期

PeriodIndex.start_time

PeriodIndex.week:一年中的一周序数

PeriodIndex.weekday:星期一= 0,星期日= 6的星期几

PeriodIndex.weekofyear:一年中的一周序数

 

PeriodIndex.year:这一年的一年

Methods

PeriodIndex.asfreq([freq, how])PeriodIndex转换为指定的频率freq

PeriodIndex.strftime(date_format)使用指定的date_format转换为Index

PeriodIndex.to_timestamp([freq, how])转换为DatetimeIndex

PeriodIndex.tz_convert(tz)tz-aware DatetimeIndex从一个时区转换为另外一个时区(使用pytz / dateutil

PeriodIndex.tz_localize(tz[, ambiguous])tz-naive DatetimeIndex本地化为给定时区(using pytz/dateutil),或从tz-aware DatetimeIndex中删除时区

标量

Period

Period表明一段时间

属性

Period.day:获取某个时段所在月份的某一天。

Period.dayofweek:返回星期几。

Period.dayofyear:返回一年中的某一天。

Period.days_in_month:获取此期间所在月份的总天数。

Period.daysinmonth:获取该期间所在月份的总天数。

Period.end_time

Period.freq

Period.freqstr

Period.hour:获取期间的小时组成部分。

Period.is_leap_year

Period.minute:获取期间的小时部分。

Period.month

Period.ordinal

Period.quarter

Period.qyear

Period.second:获取期间的第二个组成部分。

Period.start_time:获取期间开始的时间戳。

Period.week:获取给按期间的一年中的一周。

Period.weekday

Period.weekofyear

 

Period.year

方法

Period.asfreq将周期转换为所需频率,在间隔的开始或结束时

Period.now

Period.strftime返回的字符串表示形式Period,具体取决于所选的fmt

Period.to_timestampPeriodTimestamp表示返回到Period的指定末尾(how)的目标频率

时间戳

TimestampPandas 替换 for datetime.datetime

方法

Timestamp.astimezonetz-aware Timestamp转换为另外一个时区。

Timestamp.ceil返回一个新的时间戳,该时间戳已经过此决议

Timestamp.combine(date, time)datetime - > datetime,具备相同的日期和时间字段

Timestamp.ctime返回ctime()样式字符串。

Timestamp.date返回具备相同年,月和日的日期对象。

Timestamp.day_name返回具备指定语言环境的时间戳的日期名称。

Timestamp.dst返回self.tzinfo.dst(自我)。

Timestamp.floor返回一个覆盖此分辨率的新时间戳

Timestamp.freq

Timestamp.freqstr

Timestamp.fromordinal(ordinal[, freq, tz])传递了序数,翻译并转换为ts音符:根据定义,序数自己不能有任何tz信息

Timestamp.fromtimestamp(ts)timestamp [tz] - > tz来自POSIX时间戳的本地时间。

Timestamp.isocalendar返回包含ISO年份,周数和工做日的3元组。

Timestamp.isoformat

Timestamp.isoweekday返回日期所表明的星期几。

Timestamp.month_name返回具备指定语言环境的时间戳的月份名称。

Timestamp.normalize将时间戳标准化为午夜,保留tz信息。

Timestamp.now([tz])返回表示tz本地当前时间的新Timestamp对象。

Timestamp.replace实现datetime.replace,处理纳秒

Timestamp.round将时间戳舍入为指定的分辨率

Timestamp.strftimeformat - > strftime()样式字符串。

Timestamp.strptimestringformat - >从字符串解析的新日期时间(如time.strptime())。

Timestamp.time同时返回时间对象可是tzinfo = None

Timestamp.timestampPOSIX时间戳返回为float

Timestamp.timetuple返回时间元组,与time.localtime()兼容。

Timestamp.timetz同时返回时间对象和tzinfo

Timestamp.to_datetime64返回具备'ns'精度的numpy.datetime64对象

Timestamp.to_julian_dateTimeStamp转换为Julian日期。

Timestamp.to_period返回此时间戳为观察值的时段。

Timestamp.to_pydatetimeTimestamp对象转换为本机Python datetime对象。

Timestamp.today(cls[, tz])返回当地时区的当前时间。

Timestamp.toordinal返回预感格里高利序数。

Timestamp.tz_converttz-aware Timestamp转换为另外一个时区。

Timestamp.tz_localize将天真时间戳转换为本地时区,或从tz感知时间戳中删除时区。

Timestamp.tzname返回self.tzinfo.tzname(个体经营)。

Timestamp.utcfromtimestamp(ts)POSIX时间戳构造一个天真的UTC日期时间。

Timestamp.utcnow()返回表示UTC日期和时间的新时间戳。

Timestamp.utcoffset返回self.tzinfo.utcoffset(个体经营)。

Timestamp.utctimetuple返回UTC时间元组,与time.localtime()兼容。

Timestamp.weekday返回日期所表明的星期几。

间隔

Interval不可变对象实现Interval,有界切片状间隔.

属性

Interval.closed是否在左侧,右侧,两侧或二者都关闭间隔

Interval.closed_left检查左侧是否关闭间隔。

Interval.closed_right检查右侧是否关闭间隔。

Interval.left左边界限

Interval.length返回Interval的长度

Interval.mid返回间隔的中点

Interval.open_left检查左侧是否打开间隔。

Interval.open_right检查右侧是否打开间隔。

 

Interval.right右边界限

Timedelta

Timedelta表示持续时间,两个日期或时间之间的差别

属性

Timedelta.asm8:返回我本身的numpy timedelta64数组视图

Timedelta.components:返回与NamedTuple相似的组件

Timedelta.days:天数。

Timedelta.delta:以纳秒(ns)为单位返回timedelta,以得到内部兼容性。

Timedelta.freq

Timedelta.is_populated

Timedelta.max

Timedelta.microseconds:微秒数(> = 0且小于1秒)。

Timedelta.min

Timedelta.nanoseconds:返回纳秒数(n),其中0 <= n <1微秒。

Timedelta.resolution:返回表示咱们拥有的最低分辨率的字符串

Timedelta.seconds:秒数(> = 0且不到1天)。

Timedelta.value

Timedelta.view:数组视图compat

方法

Timedelta.ceil:返回一个新的Timedelta以此决议

Timedelta.floor:返回一个新的Timedelta,落在这个分辨率上

Timedelta.isoformat:将Timedelta格式化为ISO 8601持续时间P[n]Y[n]M[n]DT[n]H[n]M[n]S,其中[n]s由值替换。

Timedelta.round:将Timedelta四舍五入到指定的分辨率

Timedelta.to_pytimedelta:返回一个实际的datetime.timedelta对象注释:若是有的话,咱们将失去纳秒分辨率

Timedelta.to_timedelta64:返回具备'ns'精度的numpy.timedelta64对象

Timedelta.total_secondstimedelta的总持续时间,以秒为单位(以ns精度计)

频率

to_offset(freq):从字符串或元组表示或datetime.timedelta对象返回DateOffset对象

窗口

滚动物体被返回.rolling电话:pandas.DataFrame.rolling()pandas.Series.rolling(),等扩展对象经过返回.expanding的呼叫:pandas.DataFrame.expanding()pandas.Series.expanding(),等EWM对象经过返回.ewm的呼叫:pandas.DataFrame.ewm()pandas.Series.ewm(),等.

标准移动窗口函数

Rolling.count()窗口内任何非NaN观测值的滚动计数。

Rolling.sum(*args, **kwargs)计算给定DataFrameSeries的滚动总和。

Rolling.mean(*args, **kwargs)计算值的滚动平均值。

Rolling.median(**kwargs)计算滚动中位数。

Rolling.var([ddof])计算无偏滚动方差。

Rolling.std([ddof])计算滚动标准误差。

Rolling.min(*args, **kwargs)计算滚动最小值。

Rolling.max(*args, **kwargs)滚动最大值

Rolling.corr([other, pairwise])滚动样本相关性

Rolling.cov([other, pairwise, ddof])滚动样本协方差

Rolling.skew(**kwargs)无偏见的滚动偏度

Rolling.kurt(**kwargs)计算无偏滚动峰度。

Rolling.apply(func[, raw, args, kwargs])滚动功能适用

Rolling.aggregate(arg, *args, **kwargs)使用指定轴上的一个或多个操做进行聚合。

Rolling.quantile(quantile[, interpolation])滚动分位数。

Window.mean(*args, **kwargs)计算值的窗口均值。

 

Window.sum(*args, **kwargs)计算给定DataFrameSeries的窗口总和。

标准扩展窗口函数

Expanding.count(**kwargs)窗口内任何非NaN观测值的扩展计数。

Expanding.sum(*args, **kwargs)计算给定DataFrameSeries的扩展和。

Expanding.mean(*args, **kwargs)计算值的扩展平均值。

Expanding.median(**kwargs)计算扩展中位数。

Expanding.var([ddof])计算无偏扩展方差。

Expanding.std([ddof])计算扩展标准误差。

Expanding.min(*args, **kwargs)计算扩展的最小值。

Expanding.max(*args, **kwargs)扩大最大化

Expanding.corr([other, pairwise])扩大样本相关性

Expanding.cov([other, pairwise, ddof])扩展样本协方差

Expanding.skew(**kwargs)不偏不倚地扩大偏斜

Expanding.kurt(**kwargs)计算无偏扩张峰度。

Expanding.apply(func[, raw, args, kwargs])扩展功能适用

Expanding.aggregate(arg, *args, **kwargs)使用指定轴上的一个或多个操做进行聚合。

 

Expanding.quantile(quantile[, interpolation])扩大分位数。

指数加权移动窗口函数

EWM.mean(*args, **kwargs)指数加权移动平均线

EWM.std([bias])指数加权移动stddev

EWM.var([bias])指数加权移动方差

EWM.corr([other, pairwise])指数加权样本相关

EWM.cov([other, pairwise, bias])指数加权样本协方差

GroupBy

GroupBy objects are returned by groupby calls: pandas.DataFrame.groupby()pandas.Series.groupby(), etc.

索引, 迭代

GroupBy.__iter__():Groupby迭代器

GroupBy.groups:dict {组名 - >组标签}

GroupBy.indices:dict {组名 - >组索引}

GroupBy.get_group(name[, obj]):从提供名称的组构造NDFrame

Grouper([key, level, freq, axis, sort]):Grouper容许用户为目标对象指定groupby指令

功能应用

GroupBy.apply(func, *args, **kwargs):func 分组应用功能并将结果组合在一块儿.

GroupBy.aggregate(func, *args, **kwargs): 

GroupBy.transform(func, *args, **kwargs): 

GroupBy.pipe(func, *args, **kwargs):将func带有参数的函数应用于此GroupBy对象并返回函数的结果.

计算/ 描述性统计

GroupBy.all([skipna])若是组中的全部值都是真实的,则返回True,不然返回False

GroupBy.any([skipna])若是组中的任何值是真实的,则返回True,不然返回False

GroupBy.bfill([limit])向后填充值

GroupBy.count()计算组的计数,不包括缺失值

GroupBy.cumcount([ascending])将每一个组中的每一个项目编号从0到该组的长度 - 1

GroupBy.ffill([limit])向前填充值

GroupBy.first(**kwargs)首先计算组值

GroupBy.head([n])返回每组的前n行。

GroupBy.last(**kwargs)计算最后一组值

GroupBy.max(**kwargs)计算组值的最大值

GroupBy.mean(*args, **kwargs)计算组的平均值,不包括缺失值

GroupBy.median(**kwargs)计算组的中位数,排除缺失值

GroupBy.min(**kwargs)计算组值的最小值

GroupBy.ngroup([ascending])将每一个组的编号从0到组的​​数量 - 1

GroupBy.nth(n[, dropna])若是nint,则从每一个组中取第n;若是nint列表,则从行的子集获取。

GroupBy.ohlc()计算值的总和,不包括缺失值对于多个分组,结果索引将是MultiIndex

GroupBy.prod(**kwargs)计算组值的产品

GroupBy.rank([method, ascending, na_option, …])提供每一个组中的值的等级。

GroupBy.pct_change([periods, fill_method, …])计算每一个值的pct_change到组中的上一个条目

GroupBy.size()计算组大小

GroupBy.sem([ddof])计算组平均值的标准偏差,排除缺失值

GroupBy.std([ddof])计算组的标准误差,不包括缺失值

GroupBy.sum(**kwargs)计算组值的总和

GroupBy.var([ddof])计算组的方差,排除缺失值

 

GroupBy.tail([n])返回每组的最后n

 

如下方法在两个对象SeriesGroupBy和 DataFrameGroupBy对象中均可用,但可能略有不一样,一般是由于DataFrameGroupBy版本一般容许指定axis参数,而且一般是指示是否将应用程序限制为特定数据类型的列的参数.

DataFrameGroupBy.agg(arg, *args, **kwargs)使用指定轴上的一个或多个操做进行聚合。

DataFrameGroupBy.all([skipna])若是组中的全部值都是真实的,则返回True,不然返回False

DataFrameGroupBy.any([skipna])若是组中的任何值是真实的,则返回True,不然返回False

DataFrameGroupBy.bfill([limit])向后填充值

DataFrameGroupBy.corr计算列的成对相关性,不包括NA / null

DataFrameGroupBy.count()计算组的计数,不包括缺失值

DataFrameGroupBy.cov计算列的成对协方差,不包括NA / null值。

DataFrameGroupBy.cummax([axis])每组累积最大值

DataFrameGroupBy.cummin([axis])每组累积最小值

DataFrameGroupBy.cumprod([axis])每组的累积产品

DataFrameGroupBy.cumsum([axis])每组的累计金额

DataFrameGroupBy.describe(**kwargs)生成描述性统计数据,总结数据集分布的集中趋势,分散和形状,不包括NaN值。

DataFrameGroupBy.diff第一个离散的元素差别。

DataFrameGroupBy.ffill([limit])向前填充值

DataFrameGroupBy.fillna使用指定的方法填充NA / NaN

DataFrameGroupBy.filter(func[, dropna])返回DataFrame的副本,不包括不知足func指定的布尔标准的组中的元素。

DataFrameGroupBy.hist制做DataFrame的直方图。

DataFrameGroupBy.idxmax返回请求轴上第一次出现最大值的索引。

DataFrameGroupBy.idxmin返回首次出现最小请求轴的索引。

DataFrameGroupBy.mad返回请求轴的值的平均绝对误差

DataFrameGroupBy.pct_change([periods, …])计算每一个值的pct_change到组中的上一个条目

DataFrameGroupBy.plot实现groupby对象的.plot属性的类

DataFrameGroupBy.quantile在请求的轴上返回给定分位数的值,即la numpy.percentile

DataFrameGroupBy.rank([method, ascending, …])提供每一个组中的值的等级。

DataFrameGroupBy.resample(rule, *args, **kwargs)使用TimeGrouper时提供从新采样返回附加了从新采样器的新石斑鱼

DataFrameGroupBy.shift([periods, freq, axis])按周期观察移动每组

DataFrameGroupBy.size()计算组大小

DataFrameGroupBy.skew返回请求轴的无恰恰差,由N-1归一化

DataFrameGroupBy.take沿轴返回给定位置索引中的元素。

 

DataFrameGroupBy.tshift若是可用,使用索引的频率来移动时间索引。

如下方法仅适用于SeriesGroupBy对象.

SeriesGroupBy.nlargest:返回最大的n元素。

SeriesGroupBy.nsmallest:返回最小的n元素。

SeriesGroupBy.nunique[dropna]):返回组中惟一元素的数量

SeriesGroupBy.unique:返回Series对象的惟一值。

SeriesGroupBy.value_counts[normalize...]):

SeriesGroupBy.is_monotonic_increasing:若是对象中的值是monotonic_increasing,则返回布尔值

 

SeriesGroupBy.is_monotonic_decreasing:若是对象中的值是monotonic_decreasing,则返回布尔值

如下方法仅适用于DataFrameGroupBy对象.

DataFrameGroupBy.corrwith计算两个DataFrame对象的行或列之间的成对关联.

DataFrameGroupBy.boxplot([subplots, column, …])DataFrameGroupBy数据制做箱形图.

从新采样

从新采样对象由resample调用返回: pandas.DataFrame.resample()pandas.Series.resample().

索引, 迭代

Resampler.__iter__():Groupby迭代器

Resampler.groups:dict {组名 - >组标签}

Resampler.indices:dict {组名 - >组索引}

Resampler.get_group(name[, obj]):从提供名称的组构造NDFrame

功能应用

Resampler.apply(arg, *args, **kwargs):使用指定轴上的一个或多个操做进行聚合。

Resampler.aggregate(arg, *args, **kwargs):使用指定轴上的一个或多个操做进行聚合。

Resampler.transform(arg, *args, **kwargs):调用函数在每一个组上生成相似索引的Series,并返回带有转换值的Series

Resampler.pipe(func, *args, **kwargs):将func带有参数的函数应用于此Resampler对象并返回函数的结果。

上采样

Resampler.ffill([limit]):向前填充值

Resampler.backfill([limit]):向后填充从新采样数据中的新缺失值。

Resampler.bfill([limit]):向后填充从新采样数据中的新缺失值。

Resampler.pad([limit]):向前填充值

Resampler.nearest([limit]):从中心开始用最近邻居填充值

Resampler.fillna(method[, limit]):填写上采样引入的缺失值。

Resampler.asfreq([fill_value]):返回新频率的值,基本上是一个reindex

Resampler.interpolate([method, axis, limit, …]):根据不一样的方法插值。

计算/ 描述性统计

Resampler.count([_method]):计算组的计数,不包括缺失值

Resampler.nunique([_method]):返回组中惟一元素的数量

Resampler.first([_method]):首先计算组值

Resampler.last([_method]):计算最后一组值

Resampler.max([_method]):计算组值的最大值

Resampler.mean([_method]):计算组的平均值,不包括缺失值

Resampler.median([_method]):计算组的中位数,排除缺失值

Resampler.min([_method]):计算组值的最小值

Resampler.ohlc([_method]):计算值的总和,不包括缺失值对于多个分组,结果索引将是MultiIndex

Resampler.prod([_method, min_count]):计算组值的产品

Resampler.size():计算组大小

Resampler.sem([_method]):计算组平均值的标准偏差,排除缺失值

Resampler.std([ddof]):计算组的标准误差,不包括缺失值

Resampler.sum([_method, min_count]):计算组值的总和

Resampler.var([ddof]):计算组的方差,排除缺失值

Style

Styler objects are returned by pandas.DataFrame.style.

Styler 构造函数

Styler(data[, precision, table_styles, …]):根据HTML和CSS的数据帮助设置DataFrame或Series的样式.

Styler.from_custom_template(searchpath, name):用于建立Styler具备自定义模板和Jinja环境的子类的工厂函数.

Styler 属性

Styler.env  
Styler.template  
Styler.loader  

风格应用

Styler.apply(func[, axis, subset]):按列,按行或按行应用函数,使用结果更新HTML表示。

Styler.applymap(func[, subset]):元素应用函数,使用结果更新HTML表示。

Styler.where(cond, value[, other, subset]):元素应用函数,使用根据函数的返回值选择的样式更新HTML表示。

Styler.format(formatter[, subset]):格式化单元格的文本显示值。

Styler.set_precision(precision):设置用于渲染的精度。

Styler.set_table_styles(table_styles):在Styler上设置表格样式。

Styler.set_table_attributes(attributes):设置表属性。

Styler.set_caption(caption):在样式器上设置标题

Styler.set_properties([subset]):用于设置一个或多个非数据相关属性或每一个单元的便捷方法。

Styler.set_uuid(uuid):为Styler设置uuid。

Styler.clear():“重置”样式器,删除任何之前应用的样式。

内置样式

Styler.highlight_max([subset, color, axis]):经过着色背景突出显示最大值

Styler.highlight_min([subset, color, axis]):经过着色背景突出显示最小值

Styler.highlight_null([null_color]):null_color为缺失值着色背景。

Styler.background_gradient([cmap, low, …]):根据每列(可选行)中的数据为渐变中的背景着色。

Styler.bar([subset, axis, color, width, align]):将背景颜色设置color为每列中的值。

样式导出和导入

Styler.render(**kwargs):将构建的样式呈现为HTML

Styler.export():导出要应用于当前Styler的样式。

Styler.use(styles):在当前Styler上设置样式,可能使用样式Styler.export。

Styler.to_excel(excel_writer[, sheet_name, …]):将Styler写入Excel工做表

绘图

pandas.plotting模块中包含如下函数

andrews_curves(frame, class_column[, ax, …]):生成安德鲁斯曲线的matplotlib图,用于可视化多元数据的聚类。

bootstrap_plot(series[, fig, size, samples]):关于均值,中位数和中位数统计的Bootstrap图。

deregister_matplotlib_converters():删除pandas的格式化程序和转换器

lag_plot(series[, lag, ax]):时间序列的滞后图。

parallel_coordinates(frame, class_column[, …]):平行坐标绘图。

radviz(frame, class_column[, ax, color, …]):在2D中绘制多维数据集。

register_matplotlib_converters([explicit]):使用matplotlib注册Pandas格式化程序和转换器

scatter_matrix(frame[, alpha, figsize, ax, …]):绘制散点图矩阵。

通常实用功能

使用选项

describe_option(pat[, _print_desc]):打印一个或多个已注册选项的说明。

reset_option(pat):将一个或多个选项重置为其默认值。

get_option(pat):检索指定选项的值。

set_option(pat, value):设置指定选项的值。

option_context(*args):上下文管理器临时设置with语句上下文中的选项。

测试功能

testing.assert_frame_equal(left, right[, …]):检查左右DataFrame是否相等。

testing.assert_series_equal(left, right[, …]):检查左右系列是否相等。

testing.assert_index_equal(left, right[, …]):检查左右索引是否相等。

例外 and 警告

errors.DtypeWarning:从文件中读取列中的不一样dtypes时出现警告。

errors.EmptyDataError:遇到空数据或标头时,在pd.read_csv(由C和Python引擎引起)中抛出的异常。

errors.OutOfBoundsDatetime

errors.ParserErrorpd.read_csv遇到的错误引起的异常。

errors.ParserWarning:读取不使用默认“c”解析器的文件时引起警告。

errors.PerformanceWarning:出现可能的性能影响时发出警告。

errors.UnsortedIndexError:尝试获取MultiIndex切片时出错,而且索引还没有被lexsorted。

errors.UnsupportedFunctionCall:尝试在pandas对象上调用numpy函数时引起异常,但该对象不支持该函数,例如

扩展

这些主要用于寻求扩展pandas对象的图书馆做者.

api.extensions.register_dataframe_accessor(name):在DataFrame对象上注册自定义访问器。

api.extensions.register_series_accessor(name):在Series对象上注册自定义访问器。

api.extensions.register_index_accessor(name):在Index对象上注册自定义访问器。

api.extensions.ExtensionDtype:自定义数据类型,与ExtensionArray配对。

api.extensions.ExtensionArray:自定义1-D数组类型的抽象基类。

 

http://pandas.pydata.org/pandas-docs/stable/api.html

GroupBy.all([skipna])若是组中的全部值都是真实的,则返回True,不然返回False

GroupBy.any([skipna])若是组中的任何值是真实的,则返回True,不然返回False

GroupBy.bfill([limit])向后填充值

GroupBy.count()计算组的计数,不包括缺失值

GroupBy.cumcount([ascending])将每一个组中的每一个项目编号从0到该组的长度 - 1

GroupBy.ffill([limit])向前填充值

GroupBy.first(**kwargs)首先计算组值

GroupBy.head([n])返回每组的前n行。

GroupBy.last(**kwargs)计算最后一组值

GroupBy.max(**kwargs)计算组值的最大值

GroupBy.mean(*args, **kwargs)计算组的平均值,不包括缺失值

GroupBy.median(**kwargs)计算组的中位数,排除缺失值

GroupBy.min(**kwargs)计算组值的最小值

GroupBy.ngroup([ascending])将每一个组的编号从0到组的​​数量 - 1

GroupBy.nth(n[, dropna])若是nint,则从每一个组中取第n;若是nint列表,则从行的子集获取。

GroupBy.ohlc()计算值的总和,不包括缺失值对于多个分组,结果索引将是MultiIndex

GroupBy.prod(**kwargs)计算组值的产品

GroupBy.rank([method, ascending, na_option, …])提供每一个组中的值的等级。

GroupBy.pct_change([periods, fill_method, …])计算每一个值的pct_change到组中的上一个条目

GroupBy.size()计算组大小

GroupBy.sem([ddof])计算组平均值的标准偏差,排除缺失值

GroupBy.std([ddof])计算组的标准误差,不包括缺失值

GroupBy.sum(**kwargs)计算组值的总和

GroupBy.var([ddof])计算组的方差,排除缺失值

GroupBy.tail([n])返回每组的最后n