
- Python Pandas 教程
- Python Pandas - 首頁
- Python Pandas - 簡介
- Python Pandas - 環境設定
- Python Pandas - 基礎知識
- Python Pandas - 資料結構介紹
- Python Pandas - 索引物件
- Python Pandas - 面板(Panel)
- Python Pandas - 基本功能
- Python Pandas - 索引和資料選擇
- Python Pandas - Series
- Python Pandas - Series
- Python Pandas - 切片 Series 物件
- Python Pandas - Series 物件的屬性
- Python Pandas - Series 物件的算術運算
- Python Pandas - 將 Series 轉換為其他物件
- Python Pandas - DataFrame
- Python Pandas - DataFrame
- Python Pandas - 訪問 DataFrame
- Python Pandas - 切片 DataFrame 物件
- Python Pandas - 修改 DataFrame
- Python Pandas - 從 DataFrame 中刪除行
- Python Pandas - DataFrame 的算術運算
- Python Pandas - I/O 工具
- Python Pandas - I/O 工具
- Python Pandas - 使用 CSV 格式
- Python Pandas - 讀取和寫入 JSON 檔案
- Python Pandas - 從 Excel 檔案讀取資料
- Python Pandas - 將資料寫入 Excel 檔案
- Python Pandas - 處理 HTML 資料
- Python Pandas - 剪貼簿
- Python Pandas - 使用 HDF5 格式
- Python Pandas - 與 SQL 的比較
- Python Pandas - 資料處理
- Python Pandas - 排序
- Python Pandas - 重索引
- Python Pandas - 迭代
- Python Pandas - 連線
- Python Pandas - 統計函式
- Python Pandas - 描述性統計
- Python Pandas - 處理文字資料
- Python Pandas - 函式應用
- Python Pandas - 選項和自定義
- Python Pandas - 視窗函式
- Python Pandas - 聚合
- Python Pandas - 合併/連線
- Python Pandas - 多級索引
- Python Pandas - 多級索引基礎
- Python Pandas - 使用多級索引進行索引
- Python Pandas - 使用多級索引的高階重索引
- Python Pandas - 重新命名多級索引標籤
- Python Pandas - 對多級索引進行排序
- Python Pandas - 二元運算
- Python Pandas - 二元比較運算
- Python Pandas - 布林索引
- Python Pandas - 布林掩碼
- Python Pandas - 資料重塑和透視表
- Python Pandas - 透視表
- Python Pandas - 堆疊和取消堆疊
- Python Pandas - 熔化
- Python Pandas - 計算虛擬變數
- Python Pandas - 分類資料
- Python Pandas - 分類資料
- Python Pandas - 分類資料的排序和分類
- Python Pandas - 分類資料的比較
- Python Pandas - 處理缺失資料
- Python Pandas - 缺失資料
- Python Pandas - 填充缺失資料
- Python Pandas - 缺失值的插值
- Python Pandas - 刪除缺失資料
- Python Pandas - 使用缺失資料進行計算
- Python Pandas - 處理重複資料
- Python Pandas - 重複資料
- Python Pandas - 計數和檢索唯一元素
- Python Pandas - 重複標籤
- Python Pandas - 分組和聚合
- Python Pandas - GroupBy
- Python Pandas - 時間序列資料
- Python Pandas - 日期功能
- Python Pandas - 時間差
- Python Pandas - 稀疏資料結構
- Python Pandas - 稀疏資料
- Python Pandas - 視覺化
- Python Pandas - 視覺化
- Python Pandas - 其他概念
- Python Pandas - 注意事項和陷阱
- Python Pandas 有用資源
- Python Pandas - 快速指南
- Python Pandas - 有用資源
- Python Pandas - 討論
Python Pandas - 訪問 DataFrame
Pandas DataFrame 是一種二維帶標籤的資料結構,具有行和列標籤,它看起來和工作方式類似於資料庫或電子表格中的表格。為了使用 DataFrame 標籤,pandas 提供了簡單的工具來使用索引訪問和修改行和列,即 DataFrame 的index 和columns 屬性。
在本教程中,我們將學習如何使用 DataFrame 的index 和columns 屬性來訪問和操作 DataFrame 的行和列。
訪問 DataFrame 行
Pandas 的DataFrame.index 屬性用於訪問 DataFrame 的行標籤。它返回一個索引物件,其中包含與 DataFrame 每行中表示的資料相對應的標籤序列。這些標籤可以是整數、字串或其他可雜湊型別。
示例:訪問 DataFrame 行標籤
以下示例使用pd.index 屬性訪問 DataFrame 行標籤。
import pandas as pd # Create a DataFrame df = pd.DataFrame({ 'Name': ['Steve', 'Lia', 'Vin', 'Katie'], 'Age': [32, 28, 45, 38], 'Gender': ['Male', 'Female', 'Male', 'Female'], 'Rating': [3.45, 4.6, 3.9, 2.78]}, index=['r1', 'r2', 'r3', 'r4']) # Access the rows of the DataFrame result = df.index print('Output Accessed Row Labels:', result)
以下是上述程式碼的輸出 -
Output Accessed Row Labels: Index(['r1', 'r2', 'r3', 'r4'], dtype='object')
示例:修改 DataFrame 行索引
此示例訪問並修改 Pandas DataFrame 的行標籤。
import pandas as pd # Create a DataFrame df = pd.DataFrame({ 'Name': ['Steve', 'Lia', 'Vin', 'Katie'], 'Age': [32, 28, 45, 38], 'Gender': ['Male', 'Female', 'Male', 'Female'], 'Rating': [3.45, 4.6, 3.9, 2.78]}, index=['r1', 'r2', 'r3', 'r4']) # Display the Input DataFrame print('Input DataFrame:\n', df) # Modify the Row labels of the DataFrame df.index = [100, 200, 300, 400] print('Output Modified DataFrame with the updated index labels:\n', df)
執行上述程式碼後,您將獲得以下輸出 -
Input DataFrame:
Name | Age | Gender | Rating | |
---|---|---|---|---|
r1 | Steve | 32 | Male | 3.45 |
r2 | Lia | 28 | Female | 4.60 |
r3 | Vin | 45 | Male | 3.90 |
r4 | Katie | 38 | Female | 2.78 |
Name | Age | Gender | Rating | |
---|---|---|---|---|
100 | Steve | 32 | Male | 3.45 |
200 | Lia | 28 | Female | 4.60 |
300 | Vin | 45 | Male | 3.90 |
400 | Katie | 38 | Female | 2.78 |
訪問 DataFrame 列
Pandas 的pd.columns 屬性用於訪問 DataFrame 中列的標籤。您可以類似於我們處理行標籤的方式來訪問和修改這些列標籤。
示例:訪問 DataFrame 列標籤
以下示例使用pd.columns 屬性訪問 DataFrame 列標籤。
import pandas as pd # Create a DataFrame df = pd.DataFrame({ 'Name': ['Steve', 'Lia', 'Vin', 'Katie'], 'Age': [32, 28, 45, 38], 'Gender': ['Male', 'Female', 'Male', 'Female'], 'Rating': [3.45, 4.6, 3.9, 2.78]}, index=['r1', 'r2', 'r3', 'r4']) # Access the column labels of the DataFrame result = df.columns print('Output Accessed column Labels:', result)
以下是上述程式碼的輸出 -
Output Accessed column Labels: Index(['Name', 'Age', 'Gender', 'Rating'], dtype='object')
示例:修改 DataFrame 列標籤
此示例使用pd.columns 屬性訪問並修改 DataFrame 列標籤。
import pandas as pd # Create a DataFrame df = pd.DataFrame({ 'Name': ['Steve', 'Lia', 'Vin', 'Katie'], 'Age': [32, 28, 45, 38], 'Gender': ['Male', 'Female', 'Male', 'Female'], 'Rating': [3.45, 4.6, 3.9, 2.78]}, index=['r1', 'r2', 'r3', 'r4']) # Display the Input DataFrame print('Input DataFrame:\n', df) # Modify the Column labels of the DataFrame df.columns = ['Col1', 'Col2', 'Col3', 'Col4'] print('Output Modified DataFrame with the updated Column Labels\n:', df)
以下是上述程式碼的輸出 -
Input DataFrame:
Name | Age | Gender | Rating | |
---|---|---|---|---|
r1 | Steve | 32 | Male | 3.45 |
r2 | Lia | 28 | Female | 4.60 |
r3 | Vin | 45 | Male | 3.90 |
r4 | Katie | 38 | Female | 2.78 |
Col1 | Col2 | Col3 | Col4 | |
---|---|---|---|---|
r1 | Steve | 32 | Male | 3.45 |
r2 | Lia | 28 | Female | 4.60 |
r3 | Vin | 45 | Male | 3.90 |
r4 | Katie | 38 | Female | 2.78 |
廣告