CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章秒懂！图解四个实用的Pandas函数！由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

在用Python进行机器学习或者日常的数据处理中，Pandas是最常用的Python库之一，熟练掌握pandas是每一个数据科学家的必备技能，本文将用代码+图片详解Pandas中的四个实用函数.

shift() 。

假设我们有一组股票数据，需要对所有的行进行移动，或者获得前一天的股价，又或是计算最近三天的平均股价.

面对这样的需求我们可以选择自己写一个函数完成，但是使用pandas中的shift()可能是最好的选择，它可以将数据按照指定方式进行移动.

下面我们用代码进行演示，首先导入相关库并创建示例DataFrame 。

import pandas as pd  。

import numpy as np  。

df = pd.DataFrame({'DATE': [1, 2, 3, 4, 5],  。

                   'VOLUME': [100, 200, 300,400,500],  。

                   'PRICE': [214, 234, 253,272,291]})  。

现在，当我们执行df.shift(1,fill_value=0)即可将数据往下移动一行，并用0填充空值 。

现在，如果我们需要将前一天的股价作为新的列，则可以使用下面的代码 。

我们可以如下轻松地计算最近三天的平均股价，并创建一个新的列 。

向前移动数据也是很轻松的，使用-1即可 。

更多有关shift函数可以查阅官方文档，总之在涉及到数据移动时，你需要想到shift.

value_counts() 。

pandas中的value_counts()用于统计dataframe或series中不同数或字符串出现的次数，并可以通过降序或升序对结果对象进行排序，下图可以方便理解.

现在让我们用代码示例，首先是Index对象 。

下面是Series对象 。

同时可以对bin参数将结果划分为区间 。

更多的细节与参数设置，可以阅读pandas官方文档.

mask() 。

pandas中的mask方法比较冷门，和np.where比较类似，将对cond条件进行判断，如果cond为False，请保留原始值。如果为True，则用other中的相应值替换.

现在我们看下面的DataFrame，在这里我们要更改所有可以被二整除的元素的符号，就可以使用mask 。

下面是代码实现过程 。

nlargest() 。

在很多情况下，我们会遇到需要查找Series或DataFrame的前3名或后5名值的情况，例如，总得分最高的3名学生，或选举中获得的总票数的3名最低候选人 。

pandas中的nlargest()和nsmallest()是满足此类数据处理要求的最佳答案，下面就是从10个观测值中取最大的三个图解 。

下面是代码实现过程 。

但如果有相等的情况出现，那么可以使用first,last,all来进行保留 。

了解了nlargest()的使用方法后，nsmallest()就显得十分简单，本文就不再赘述，如果还有疑问可以查阅官方文档.

原文地址：https://mp.weixin.qq.com/s?__biz=MzI1MTUyMjc1Mg==&mid=2247506837&idx=1&sn=3ac5ce8c3664f9b3e06b7ae5a1c75b60&chksm=e9f3203ade84a92cb56f6c5835ceb13a7ff9033978c42c136cd0b1a8cd50ea2fc6f4826ef564&mpshare=1&s 。

最后此篇关于秒懂！图解四个实用的Pandas函数！的文章就讲到这里了,如果你想了解更多关于秒懂！图解四个实用的Pandas函数！的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。