开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

键错误：[列]中没有[Int64Index([...]dtype='int64')]

键错误是指在使用键（key）进行索引或操作时出现的错误。具体来说，这个错误提示中的"[列]"表示一个列名，"[Int64Index([...], dtype='int64')]"表示一个Int64类型的索引。

在这个错误提示中，"[列]中没有[Int64Index([...], dtype='int64')]"的意思是在某个数据结构（可能是一个DataFrame或者一个Series）的列中没有找到名为[Int64Index([...], dtype='int64')]的键。

解决这个错误的方法通常有以下几种：

检查列名：确认你使用的列名是否正确。可能是因为拼写错误、大小写错误或者其他原因导致列名不匹配。
检查数据类型：确认你使用的键的数据类型是否正确。在这个错误提示中，键的数据类型是Int64，确保你使用的键的数据类型与之匹配。
检查数据结构：确认你正在操作的数据结构是否正确。例如，如果你使用的是一个DataFrame，确保你在正确的列上进行操作。
检查数据内容：确认你的数据中是否存在你要使用的键。可能是因为数据中没有对应的键导致无法找到。

腾讯云相关产品和产品介绍链接地址：

腾讯云云服务器（CVM）：提供弹性计算能力，满足各种业务需求。详情请参考：https://cloud.tencent.com/product/cvm
腾讯云云数据库 MySQL 版：提供高性能、可扩展的关系型数据库服务。详情请参考：https://cloud.tencent.com/product/cdb_mysql
腾讯云对象存储（COS）：提供安全、稳定、低成本的云端存储服务。详情请参考：https://cloud.tencent.com/product/cos
腾讯云人工智能（AI）：提供丰富的人工智能服务，包括图像识别、语音识别、自然语言处理等。详情请参考：https://cloud.tencent.com/product/ai

相关搜索:Dataframe键错误列不在索引中 IsolationForest KeyError：“[列]中没有[索引([‘’]，dtype='object')]”KeyError:当尝试选择dask数据框上的列时：“没有[索引([‘’，'']，dtype='object')]在[列]中”KeyError：“[Int64Index([1960,1961,1962,1963,1964]，dtype='int64')]都不在[columns]中。”KeyError：“[列]中没有[索引([‘URL’]，dtype='object')]”Matplotlib DatetimeIndex错误-列中没有值 pandas 0.24.1键错误：“[columns]中没有[Index(['A‘'B']，dtype='object')]”Python - Pandas - KeyError：“[列]中没有[索引([‘问题’]，dtype=‘对象’)]”React中没有键、值或标签错误为什么我得到键错误，即使列存在于pandas中？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Pandas

: float64 # 因为rocky没有出现在st的键中，所以返回的是缺失值，NaN是浮点类型通过上面的代码演示，对于缺失值已经有了一个简单的了解，接下来就来看看如何判断缺失值 1、 obj1.isnull...: float64 以上数据经过分组键（一个Series数组）进行了聚合，产生了一个新的Series，索引就是key1列中的唯一值。...([48, 49], dtype='int64'), '克里夫兰骑士队': Int64Index([70], dtype='int64'), '华盛顿子弹队': Int64Index([32], dtype...dtype='int64'), '塞拉库斯民族队': Int64Index([9], dtype='int64'), '多伦多猛龙队': Int64Index([73], dtype='int64...='int64'), '西雅图超音速队': Int64Index([33], dtype='int64'), '费城76人队': Int64Index([21, 37], dtype='int64'

1.5K1 1

数据科学 IPython 笔记本 7.4 Pandas 对象介绍

: int64 ''' 默认情况下，这将创建一个Series，其中索引是从有序键中提取的。...字典将键映射到值，DataFrame将列名称映射到列数据的Series。...例如，我们可以使用标准的 Python 索引表示法来检索值或切片： ind[1] # 3 ind[::2] # Int64Index([2, 5, 11], dtype='int64') `Index...([3, 5, 7], dtype='int64') indA | indB # 并集 # Int64Index([1, 2, 3, 5, 7, 9, 11], dtype='int64') indA...^ indB # 对称差集 # Int64Index([1, 2, 9, 11], dtype='int64') 这些操作也可以通过对象方法访问，例如indiA.intersection(imdB

2.3K1 0

Pandas中的对象

: pd.Series(5, index=[100, 200, 300]) 100 5 200 5 300 5 dtype: int64 data还可以是一个字典，index默认是排序的字典键...字典是一个键映射一个值，而DataFrame 是一列映射一个Series 的数据。...例如，可以通过标准Python 的取值方法获取数值，也可以通过切片获取数值： ind[1] 3 ind[::2] Int64Index([2, 5, 11], dtype='int64') Index对象有许多和...([3, 5, 7], dtype='int64') indA | indB # 并集 Int64Index([1, 2, 3, 5, 7, 9, 11], dtype='int64') indA ^...indB # 异或 Int64Index([1, 2, 9, 11], dtype='int64') 这些操作还可以通过调用对象方法来实现，例如 indA.intersection(indB)

2.6K3 0

Pandas GroupBy的使用

([2, 3], dtype='int64'), 'Kings': Int64Index([4, 6, 7], dtype='int64'), 'Riders': Int64Index([0, 1,...8, 11], dtype='int64'), 'Royals': Int64Index([9, 10], dtype='int64'), 'kings': Int64Index([5], dtype...='int64')} 2.2 根绝多列进行分组 df.groupby(['Team','Year']).groups {('Devils', 2014): Int64Index([2], dtype='...int64'), ('Devils', 2015): Int64Index([3], dtype='int64'), ('Kings', 2014): Int64Index([4], dtype='...int64'), ('Kings', 2016): Int64Index([6], dtype='int64'), ('Kings', 2017): Int64Index([7], dtype='int64

2.9K4 0

数据分析 ——— pandas基础（四）

([0, 6, 7, 10], dtype='int64'), 2: Int64Index([1, 2, 8, 11], dtype='int64'), 3: Int64Index([3, 4], dtype...='int64'), 4: Int64Index([5, 9], dtype='int64')} """ 结果返回字典按多列分组： print(df.groupby(['Team', 'Year...']).groups) # 按多列分组 """ 输出： {('Devils', 2014): Int64Index([2], dtype='int64'), ('Devils', 2015): Int64Index...([3], dtype='int64'), ('Kings', 2014): Int64Index([4], dtype='int64'), ('Kings', 2016): Int64Index...([6], dtype='int64'), ('Kings', 2017): Int64Index([7], dtype='int64'), ('Riders', 2014): Int64Index

1.1K4 0

【数据分析可视化】数据聚合技术Aggregation

([1, 2, 4], dtype='int64'), ('BJ', 3): Int64Index([3, 5], dtype='int64'), ('BJ', 5): Int64Index([0]..., dtype='int64'), ('GZ', 2): Int64Index([14], dtype='int64'), ('GZ', 4): Int64Index([17], dtype='int64...'), ('GZ', 5): Int64Index([15, 16], dtype='int64'), ('SH', 2): Int64Index([10], dtype='int64'), ('...SH', 3): Int64Index([7, 8, 9], dtype='int64'), ('SH', 4): Int64Index([6, 11], dtype='int64'), ('SH'..., 5): Int64Index([12, 13], dtype='int64'), ('SZ', 1): Int64Index([18], dtype='int64'), ('SZ', 4): Int64Index

5872 0

Pandas 实践手册（一）

: int64 可以看到索引即为字典的键（新版 Pandas 中似乎不会对键进行排序以生成索引，而是保持原状）。...: int64 注意如果直接访问行索引会报错，因此 DataFrame 对象需要首先通过列索引来找到列对象，再去通过行索引访问具体的值。...Out[31]: 3 In[32]: ind[::2] Out[32]: Int64Index([2, 5, 11], dtype='int64') 其也拥有很多与 Numpy 数组相似的属性： In...([3, 5, 7], dtype='int64') In[37]: indA | indB # 并集 Out[37]: Int64Index([1, 2, 3, 5, 7, 9, 11], dtype...='int64') In[38]: indA ^ indB # 对称差集 Out[38]: Int64Index([1, 2, 9, 11], dtype='int64') 上述操作也可以通过对象方法执行

2K1 0

Pandas中比较好用的几个方法

([0, 1], dtype='int64') 2 Int64Index([2, 3], dtype='int64') 3 Int64Index([4, 5, 6, 7, 8], dtype='int64...') 4 Int64Index([9, 10, 11, 12, 13], dtype='int64') """ 分组之后的数据还是一个DataFrame对象，所以可以调用index方法。...: int64 """ 这样就可以很简单的完成这个倍乘的任务，但是输出貌似不是我们想要的，因为我们还想保留其他列，那应该怎么做呢。...“数量”这一列用data中数量的列apply函数，这样就不会有数据损失了。...了，说明数据还是没有清洗干净。

1.7K5 0

pandas的iterrows函数和groupby函数

1. pd.iterrows()函数 iterrows() 是在DataFrame中的行进行迭代的一个生成器，它返回每行的索引及一个包含行本身的对象。...在应用中，我们可以执行以下操作： Aggregation ：计算一些摘要统计- Transformation ：执行一些特定组的操作- Filtration：根据某些条件下丢弃数据下面我们一一来看一看...-- -->'Devils': Int64Index([2, 3], dtype='int64'), 'Kings': Int64Index([4, 6, 7], dtype='int64'), '...Riders': Int64Index([0, 1, 8, 11], dtype='int64'), 'Royals': Int64Index([9, 10], dtype='int64'), 'kings...': Int64Index([5], dtype='int64')} # 根据多列进行分组 df.groupby(['Team', 'Year']).groups # 遍历分组 grouped =

2.9K2 0

Python数据分析入门（三）：Pandas索引操作

索引对象Index Series和DataFrame中的索引都是Index对象示例代码： print(type(ser_obj.index)) print(type(df_obj2.index))...([0, 1, 2, 3], dtype='int64') 索引对象不可变，保证了数据的安全示例代码： # 索引对象不可变 df_obj2.index[0] = 2 运行结果： ---------...2 d 3 dtype: int64 不连续索引 ser_obj[[‘label1’, ’label2’, ‘label3’]] 示例代码： # 不连续索引 print(ser_obj[[0,...2, 4]]) print(ser_obj[['a', 'e']]) 运行结果： a 0 c 2 e 4 dtype: int64 a 0 e 4 dtype: int64...: bool d 3 e 4 dtype: int64 d 3 e 4 dtype: int64 DataFrame索引 ?

7303 0

pandas中的index对象详解

Int64Index([1, 2, 3, 4], dtype='int64') # 区间的长度 >>> a.length Int64Index([1, 1, 1, 1], dtype='int64')...([2020, 2020, 2020, 2020], dtype='int64') >>> a.month Int64Index([1, 1, 1, 1], dtype='int64') >>> a.day...Int64Index([1, 2, 3, 4], dtype='int64') >>> a.hour Int64Index([0, 0, 0, 0], dtype='int64') >>> a.minute...Int64Index([0, 0, 0, 0], dtype='int64') >>> a.second Int64Index([0, 0, 0, 0], dtype='int64') 5....([1, 2, 3, 4], dtype='int64') >>> a.month Int64Index([1, 1, 1, 1], dtype='int64') >>> a.year Int64Index

6.3K3 0

Pandas索引的基本操作

s1 = pd.Index([1,2,3,4,5,6,7], dtype="int", name="Peter") s1 Out[2]: Int64Index(...返回索引的数据类型 In [15]: s1.dtype Out[15]: dtype('int64') In [16]: s8.dtype Out[16]: dtype('<M8[ns]') In [...([1, 2, 3, 4, 5, 6, 7], dtype='int64', name='Peter') In [34]: s3.T Out[34]: Int64Index([1, 2, 3, 4, 5...需要注意的是针对行索引的属性同样适用于列属性columns，因为它们二者都是同属于Pandas中的index对象。...s.values # 取值 s.is_monotonic # 当各元素均大于等于前值时，返回True，否则返回False s.is_unique # 判断值是否唯一，如果没有返回True，否则返回

1513 0

多因子模型之因子（信号）测试平台----python中Pandas做处理时内存节省的技巧

index，然后，我们获取一下这个dataframe这个对象在内存中的情况。...某种意义上，完全没有意义，笔者只是为了展示多因子模型的整个流程和框架罢了，对于50个股票的标的池，做多因子策略，几乎是没有任何意义的。...这样有两个好处，一个是存储空间会减小，同时检索的速度会快，而且会减少很多不必要的错误。 ...3.修改数字其实，pandas在读取csv的时候，可以定义读取每一列的类型的，我们看到上面默认是float64，对于整数，默认是int64，知道一点计算机知识的都明白，很多时候我们是不需要这么float64...4.catrgory类然后是最后一个大杀器，就是当某一列中，有很多重复元素的时候，其实必然是存在冗余的，比如，我们的dataframe中股票代码，sec_id和行业类别，group这两列，肯定有很多重复的

1K4 0

【数据分析可视化】数据分组技术GroupBy

理解GroupBy 类似于数据库分组的 GroupBy操作和数据库类似城市天气进行GroupBy操作对group的单个列求平均值是Series 对group求平均值返回DataFrame...pandas.core.groupby.generic.DataFrameGroupBy object at 0x11a393610> # 展示处理完会返回哪几个Group g.groups {'BJ': Int64Index...([0, 1, 2, 3, 4, 5], dtype='int64'), 'GZ': Int64Index([14, 15, 16, 17], dtype='int64'), 'SH': Int64Index...([6, 7, 8, 9, 10, 11, 12, 13], dtype='int64'), 'SZ': Int64Index([18, 19], dtype='int64')} # get_group...相当于根据某列的分组过滤出来 df_bj = g.get_group('BJ') df_bj date city temperature wind 0 03/01/2016 BJ 8 5 1 17/01

8601 0

数据分析工具Pandas1.什么是Pandas?2.Pandas的数据结构SeriesDataFrame3.Pandas的索引操作索引对象IndexSeries索引DataFrame索引高级索引：标签

: float64 Int64Index([2001, 2002, 2003], dtype='int64') name属性对象名：ser_obj.name 对象索引名：ser_obj.index.name...类似多维数组/表格数据 (如，excel, R中的data.frame) 每列数据可以是不同的类型索引包括列索引和行索引 1....([0, 1, 2, 3], dtype='int64') 2....: bool d 3 e 4 dtype: int64 d 3 e 4 dtype: int64 DataFrame索引 1. columns 指定列索引名示例代码： import...print(df_obj.loc[0:2, 'a']) 运行结果： b 1 c 2 d 3 dtype: int64 b 1 c 2 d 3 dtype: int64

3.8K2 0

Python数据分析之Pandas（数据结构）

5, step=1) # 预览数据 print(ser_obj.head(3)) #通过索引获取数据 print(ser_obj[0]) # 10 # 索引与数据的对应关系仍保持在数组运算的结果中...([2001, 2002, 2003], dtype='int64') Int64Index([2001..., 2002, 2003], dtype='int64') 预览数据（head()不加参数则显示全部） print(ser_obj2.head()) 2001 17.8 2002 20.1...([2001, 2002, 2003], dtype='int64') # 预览数据（head()不加参数则显示全部） print(ser_obj2.head()) #通过索引获取数据 print(...([2001, 2002, 2003], dtype='int64') 2001 17.8 2002 20.1 2003 16.5 dtype: float64 17.8 DataFrame

9802 1

文本文件比对_文本文件格式有哪些

如果文件1的列＝文件2的列，则输出，输出为csv格式文件！...使用方法：merge 文件1 比对列1 文件2 比对列2 输出文件 useage：merge file1 comparecol file2 comparecol outfile 备注：文件的列从1开始计数.../shell/merge.sh 2.txt 1 3.txt 1 result.csv debug 索引上+1就是比对的参数值 ------data1数据源------ Int64Index([0], dtype...='int64') 0 0 111-1116-3782 1 111-1120-5765 2 111-1114-6846 3 111-1121-1087 4...([0], dtype='int64') 0 0 111-1127-3269 1 111-1123-1863 2 111-1125-5555 3 111-

9392 0

pandas中的数据处理利器-groupby

在数据分析中，常常有这样的场景，需要对不同类别的数据，分别进行处理，然后再将处理之后的内容合并，作为结果输出。对于这样的场景，就需要借助灵活的groupby功能来处理。...上述例子在python中的实现过程如下 >>> import numpy as np >>> import pandas as pd >>> df = pd.DataFrame({'x':['a','a...pandas.core.groupby.generic.DataFrameGroupBy object at 0x06E94FA0> # groups属性，返回值为字典，key是分组的类别 >>> grouped.groups {'a': Int64Index...([0, 1], dtype='int64'), 'b': Int64Index([2, 3], dtype='int64'), 'c': Int64Index([4, 5], dtype='int64...print(name) ... print(group) ... a x y 0 a 2 1 a 4 b x y 2 b 0 3 b 5 c x y 4 c 5 5 c 10 pandas中的

3.6K1 0

Pandas中文官档 ~ 基础用法1

Out[35]: Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype='int64') In [36]: div, rem = divmod(idx,...3) In [37]: div Out[37]: Int64Index([0, 0, 0, 1, 1, 1, 2, 2, 2, 3], dtype='int64') In [38]: rem Out...[38]: Int64Index([0, 1, 2, 0, 1, 2, 0, 1, 2, 0], dtype='int64') divmod() 还支持元素级运算： In [39]: div, rem...dtype: int64 缺失值与填充缺失值操作 Series 与 DataFrame 的算数函数支持 fill_value 选项，即用指定值替换某个位置的缺失值。...因此，要合并这两个 DataFrame 对象，其中一个 DataFrame 中的缺失值将按指定条件用另一个 DataFrame 里类似标签中的数据进行填充。

2.8K2 0

关于巧克力数据集的数据分析数据读取数据预处理问题分析探索分析

(2), object(6) memory usage: 126.3+ KB 每个列的含义如下： Company：生产公司 Specific Bean Origin or Bar Name：产品名称 REF...].map(lambda x:float(x.strip('%')) / 100) dataset_nona.info() Int64Index...dataset_nona[["Company Location","Rating"]] best_country.info() Int64Index...散点图可以看出巧克力质量和含可可量没有明显的关系探索分析 print(dataset_nona.groupby(["Review Date"]).apply(lambda x:x["Rating"]...2012 3.181701 2013 3.197011 2014 3.189271 2015 3.246491 2016 3.226027 2017 3.312500 dtype

1.2K7 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭