首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

使用Python实现df奇数列偶数列调换位置,比如AB,调换成B,A

一、前言 前几天在Python铂金交流群【瑜亮老师】给大家出了一道Pandas数据处理题目,使用Python实现df奇数列偶数列调换位置,比如AB,调换成B,A。 下面是原始内容。...方法二 这里【月神】基于第一个方法,也给出了一个简化答案,7到16就可以写成下面这样,代码如下所示: df = df[[df.columns[index + (-1) ** index] for index...)), index=list(en.upper())) print('源数据') print(df) # 请补全代码 df = df[np.array((df.columns[1::2], df.columns...这篇文章主要盘点了使用Python实现df奇数列偶数列调换位置,比如AB,调换成B,A问题,文中针对该问题给出了具体解析和代码演示,一共3个方法,欢迎一起学习交流,我相信还有其他方法,...最后感谢【瑜亮老师】出题,感谢【瑜亮老师】、【kiddo】、【月神】给出代码和具体解析,感谢【冯诚】、【dcpeng】等人参与学习交流。 小伙伴们,快快用实践一下吧!

1.2K30

Pandas_Study01

跟列表默认整数索引又很相似,允许-1 这样后访问元素。...loc 用法(Dataframe): loc([这里是标识], [这里是标识]) 示例: data.loc[:,'一'] #取出所有第一,loc可以理解为传入两个参数一个是关于,一个是关于...方法获取数据 df.head(3) # 前三 df.tail(3) # 后三 切片 取值 df.loc["b" : "e", "bx" : "ex"] # 传入行列标签索引值进行切片 df1...多行连接 连接方式仅在于axis 参数指定,axis=0按操作即多行连接,否则按连接 # 删除一,在原有的dataframe上进行操作 del df['日期'] 或是使用 pop 方法...,返回被删除数据(只能是某一) df.pop('cx') # 通过 drop 方法,可以指定删除多 df.drop(['a', 'b'], axis=0,1) # axis 指定按执行或是按执行

16510
您找到你想要的搜索结果了吗?
是的
没有找到

R语言数据结构(三)数据框

名是一个字符向量,可以通过row.names()函数获取或设置。 列名:数据框每一都有一个列名,用于标识不同。列名是一个字符向量,可以通过colnames()函数获取或设置。...行列索引号1开始,表示第一第一,负数表示排除对应位置元素。名称是指数据框中每个向量名称,可以用双引号或单引号包围。使用方括号[]访问数据框中元素时,返回结果仍然是一个数据框。...例如: # 访问df1数据框中第一(一个向量)第二个子元素 df1[[1]][2] # [1] "Bob" # 访问df2数据框中"grade"(一个向量)第三个子元素 df2$grade...80 B+ # History 70 C+ # 修改df3数据框中第一第二元素为"#FFFFFF" df3[1, 2] <- "#FFFFFF" df3 # color...删除数据框中第一 df_deleted_row <- df[-1, ] cat("删除第一数据框:\n") print(df_deleted_row) # 删除第一数据框: #

21330

数据导入预处理-课程总结-01~03章

2. df.loc[] - 按index选择 3. df.iloc[] - 按照整数位置(0到length-1)选择 4....这些流程顺序不是完全固定,往往是相互交叉。 初始数据获取是预处理第一步,该步骤主要负责文件、数据库、网页等众多渠道中获取数据,以得到预处理初始数据,为后续处理工作做好数据准备。...[1]) # 获取索引为1元素 print(array_2d[1, 2]) # 获取索引为1、索引为2元素 2.3.2 使用花式索引访问元素 访问一维数组 import numpy as np...共用一个索引) 选择 / 选择 / 切片 / 布尔判断 1.选择 # 选择 df = pd.DataFrame(np.random.rand(12).reshape(3,4)*100,...- 按照整数位置(0到length-1)选择 # df.iloc[] - 按照整数位置(0到length-1)选择 # 类似list索引,其顺序就是dataframe整数位置,0

2.9K20

超级攻略!PandasNumPyMatrix用于金融数据准备

主要实现对股票等金融数据数据采集、清洗加工到数据存储过程,能够为金融分析人员提供快速、整洁、和多样便于分析数据,为他们在数据获取方面极大地减轻工作量,使他们更加专注于策略和模型研究实现上。...选择多个 >>> new_df[new_df.columns[1:5]] ? 选择多个 >>> new_df[1:4] ?...Matrix 在数学中,矩阵(Matrix)是一个按照长方阵列排列复数或实数集合。由 m × n 个数aij排成mn数表称为mn矩阵,简称m × n矩阵。...、 访问一维矩阵单个元素 # 第一元素 >>> print("A[0] =", A[0]) A[0] = 82.63999938964844 # 第三个元素 >>> print("A[2]...79.19000244 78.06999969 79.80000305 78.69000244] [78.56999969 78.02999878 79.41000366 78.83000183]] # 第一第一元素

7.2K30

进阶法宝!掌握这些 NumPy & Pandas 方法,快速提升数据处理效率

# 数组元素数 >>> b.dtype # 数组元素数据类型 >>> b.dtype.name # 数据类型名称 >>> b.astype(int) # 将数组转换为不同类型 获取帮助...() # 排序数组 >>> c.sort(axis=0) # 对数组横轴元素进行排序 切片索引 获取单个元素 >>> a[2] # 选择第二个索引处元素 3 >>> b[1,2]...# 选择第1第2元素(相当于b[1][2]) 1.5 2 3 6.0 456 获取子集 >>> a[0:2] # 选择索引0和1项 array([1, 2]) >>> b[0:2,1]...获取帮助信息 >>> help(pd.Series.loc) 切片索引 获取元素 >>> s['b'] # 获取一个元素 -5 >>> df[1:] # 获取DataFrame子表 Country...# 删除值 (axis=0) >>> df.drop('Country', axis=1) # 删除值 Sort & Rank >>> df.sort_index() # 按轴上标签排序

3.7K20

超级攻略!PandasNumPyMatrix用于金融数据准备

主要实现对股票等金融数据数据采集、清洗加工到数据存储过程,能够为金融分析人员提供快速、整洁、和多样便于分析数据,为他们在数据获取方面极大地减轻工作量,使他们更加专注于策略和模型研究实现上。...由 m × n 个数aij排成mn数表称为mn矩阵,简称m × n矩阵。矩阵运算在科学计算中非常重要,而矩阵基本运算包括矩阵加法,减法,数乘,转置,共轭和共轭转置 。...、 访问一维矩阵单个元素 # 第一元素 >>> print("A[0] =", A[0]) A[0] = 82.63999938964844 # 第三个元素 >>> print("A[2]...79.19000244 78.06999969 79.80000305 78.69000244] [78.56999969 78.02999878 79.41000366 78.83000183]] # 第一第一元素...访问矩阵 # 第一 >>> print("A[0] =", A[0]) A[0] = [80.69999695 80.09999847 82.63999939 82.63999939] #

5.7K10

掌握这些 NumPy & Pandas 方法,快速提升数据处理效率!

# 数组元素数 >>> b.dtype # 数组元素数据类型 >>> b.dtype.name # 数据类型名称 >>> b.astype(int) # 将数组转换为不同类型 获取帮助...() # 排序数组 >>> c.sort(axis=0) # 对数组横轴元素进行排序 切片索引 获取单个元素 >>> a[2] # 选择第二个索引处元素 3 >>> b[1,2]...# 选择第1第2元素(相当于b[1][2]) 1.5 2 3 6.0 456 获取子集 >>> a[0:2] # 选择索引0和1项 array([1, 2]) >>> b[0:2,1]...获取帮助信息 >>> help(pd.Series.loc) 切片索引 获取元素 >>> s['b'] # 获取一个元素 -5 >>> df[1:] # 获取DataFrame子表 Country...# 删除值 (axis=0) >>> df.drop('Country', axis=1) # 删除值 Sort & Rank >>> df.sort_index() # 按轴上标签排序

4.9K20

Python 数据处理:Pandas库使用

它们可以让你用类似 NumPy 标记,使用轴标签(loc)或整数索引(iloc),DataFrame选择子集。...下表对DataFrame进行了总结: 类型 描述 df[val] DataFrame选取单列或一组;在特殊情况下比较便利:布尔型数组(过滤)、切片(切片)、或布尔型DataFrame(根据条件设置值...[where] 通过整数位置, DataFrame选取单个子集 df.iloc[:,where] 通过整数位置, DataFrame选取单个或列子集 df.iloc[where_i, where..._.j] 通过整数位置,同时选取 df.at[label_i, label_j] 通过标签,选取单一标量 df.iat[i,j] 通过位置(整数),选取单一标量 reindex...它们大部分都属于约简和汇总统计,用于Series中提取单个值(如sum或mean)或DataFrame中提取一个Series。

22.7K10

妈妈再也不用担心我忘记pandas操作了

格式字符串导入数据 pd.read_html(url) # 解析URL、字符串或者HTML文件,抽取其中tables表格 pd.read_clipboard() # 粘贴板获取内容,并传给read_table...、检查数据: df.head(n) # 查看DataFrame对象前n df.tail(n) # 查看DataFrame对象最后n df.shape() # 查看行数和df.info()...]] # 以DataFrame形式返回多 df.iloc[0] # 按位置选取数据 df.loc['index_one'] # 按索引选取数据 df.iloc[0,:] # 返回第一 df.iloc...[0,0] # 返回第一第一元素 数据统计: df.describe() # 查看数据值汇总统计 df.mean() # 返回所有均值 df.corr() # 返回之间相关系数 df.count...,on=col1,how='inner') # 对df1df2执行SQL形式join 数据清理: df[df[col] > 0.5] # 选择col值大于0.5 df.sort_values

2.2K31

Numpy和pandas使用技巧

可以在创建数组时候np.array(ndmin=)设置最小维度 ndarray.shape 数组维度,对于矩阵,nm,不改变原序列 ndarray.size 数组元素总个数...,元素为0到1之间 np.random.rand(10, 10) 创建指定形状(示例为1010)随机数组(范围在0至1之间) np.random.uniform(0, 100)创建指定范围内一个数...=0/1,0表示1表示) 指定轴方差 std (参数1: 数组; 参数2: axis=0/1,0表示1表示) 5、数组运算(包括+-*/,是元素元素运算) 矩阵库(Matrix..._1", "feature_2"]] 获取dataframe列名 df.columns返回一个可迭代对象 for i in df.columns: print(i) 获取dataframeSeries...合并/扩展:np.column_stack() 合并/扩展:np.row_stack() numpy.ravel() numpy.flatten() numpy.flatten()返回一份拷贝,

3.5K30

pandas入门①数据统计

JSON格式字符串导入数据 pd.read_html(url):解析URL、字符串或者HTML文件,抽取其中tables表格 pd.read_clipboard():粘贴板获取内容,并传给read_table...查看DataFrame对象最后n df.index 查看df.columns 查看列名 df.values 查看矩阵 df.shape():查看行数和df.info():查看索引、...df.sort_values(by='B') # 按照B值升序排序 数据选取 df[col]:根据列名,并以Series形式返回 df[[col1, col2]]:以DataFrame形式返回多...s.iloc[0]:按位置选取数据 s.loc['index_one']:按索引选取数据 df.iloc[0,:]:返回第一 df.iloc[0,0]:返回第一第一元素 查看第四数据 df.loc...-02 数据统计 df.describe():查看数据值汇总统计 df.mean():返回所有均值 df.corr():返回之间相关系数 df.count():返回每一非空值个数

1.5K20

十分钟入门Pandas

字典; 关键点 异构数据; 大小可变; 数据可变; 功能特点 潜在类是不同类型; 大小可变; 标记轴(); 可对执行算术运算; Panel 定义 三维,大小可变数组; 关键点...(by='B')) # 获取,常用数据访问方法:.at, .iat, .loc, .iloc, .ix print("df['A']:\n", df['A']) # 选择一产生一个系列 print(...'df[0:3]:\n', df[0:3]) # 按标签选择 print(df.loc[dates[0]]) print(df.loc[:,['A','B']]) print('获取某一个特定值:\n'...,元祖第一元素将是相应索引值,剩余值是值 print('itertuples:') for row in dataFrame.itertuples(): print(row) ""...# 9、replace(a,b) 将值a替换为值b。 # 10、repeat(value) 重复每个元素指定次数。 # 11、count(pattern) 返回模式中每个元素出现总数。

4K30

十分钟入门 Pandas

series字典; 关键点 异构数据; 大小可变; 数据可变; 功能特点 潜在类是不同类型; 大小可变; 标记轴(); 可对执行算术运算; Panel 定义 三维,大小可变数组...(by='B')) # 获取,常用数据访问方法:.at, .iat, .loc, .iloc, .ix print("df['A']:\n", df['A']) # 选择一产生一个系列 print(...'df[0:3]:\n', df[0:3]) # 按标签选择 print(df.loc[dates[0]]) print(df.loc[:,['A','B']]) print('获取某一个特定值:\n'...,元祖第一元素将是相应索引值,剩余值是值 print('itertuples:') for row in dataFrame.itertuples(): print(row) ""...# 9、replace(a,b) 将值a替换为值b。 # 10、repeat(value) 重复每个元素指定次数。 # 11、count(pattern) 返回模式中每个元素出现总数。

3.7K30

建议收藏:12个Pandas数据处理高频操作

统计一/一数据负数出现次数 # 获取到每一复数个数 # 要获取的话,将axis改成0即可 num_list = (df < 0).astype(int).sum(axis=1) num_list...# 默认情况,统计b元素出现次数 df['b'].value_counts() 最好奇bins参数,按bins分割区间,统计落在各区间内元素个数 # 按指定区间个数bin,元素起始值分割区间,...(f"df\n{df}\ndf1\n{df1}") 将原数据dfname第一元素改为zs,会发现,df改动,不会影响df1。...等同df2 = df df2 = df.copy(deep=False) print(f"df\n{df}\ndf2\n{df2}") 将原数据dfname第一元素改为张三,会发现,df改动,...:] print(f"df5\n{df5}\ndf6\n{df6}") 交换两指定值 # 将B中小于0元素和A交换 # 筛选出B中小于0 flag = df['B'].astype

2.6K20

高效10个Pandas函数,你都用过吗?

Ture表示允许新列名已存在列名重复 接着用前面的df: 在第三位置插入新: #新值 new_col = np.random.randn(10) #在第三位置插入新0开始计算...Sample Sample用于DataFrame中随机选取若干个。...:随机数发生器种子 axis:选择抽取数据还是 axis=0:抽取 axis=1:抽取 比如要从df中随机抽取5: sample1 = df.sample(n=5) sample1 ...Pct_change Pct_change是一个统计函数,用于表示当前元素前面元素相差百分比,两元素区间可以调整。...比如说给定三个元素[2,3,6],计算相差百分比后得到[NaN, 0.5, 1.0],第一元素到第二个元素增加50%,第二个元素到第三个元素增加100%。

4.1K20

《Python for Excel》读书笔记连载11:使用pandas进行数据分析之组合数据

在下面的示例中,创建了另一个数据框架more_users,并将其附加到示例数据框架df底部: 注意,现在有了重复索引元素,因为concat将数据粘在指定轴()上,并且只对齐另一个轴()上数据...联接(joining)和合并(merging) 当联接(join)两个数据框架时,可以将每个数据框架组合成一个新数据框架,同时依靠集理论来决定情况。...如果你以前使用过关系数据库,那么它概念SQL查询中JOIN子句相同。...左联接(leftjoin)获取左数据框架df1中所有,并在索引上匹配右数据框架df2中,在df2没有匹配地方,pandas将填充NaN。左联接对应于Excel中VLOOKUP情况。...右联接(rightjoin)获取右表df2中所有,并将它们df1中索引相同相匹配

2.5K20
领券