切片操作
# 從第十行到二十行的所有值，間隔爲2.
s4=college[10:20:2]
print(s4)
結果：
在College中，第十行到第二十行的截圖展示，可以對比看打印結果。
# 獲取具體某個列的具體信息
seriesapps=college['Apps']
# 對某一列進行切片處理，獲取想要的值
seriesapps[1:10:2]
//輸出結果
1 2186
3 417
5 587
7 1899
9 582
Name: Apps, dtype: int64
在College中，第一行到第十行，Apps的值信息，可以對比查看輸出結果：
注：要想索引值不是數值，可以查看上一篇set_index，將某個具體的值設置爲索引。
copy()與drop()
# 建立數據文本，以便多次修改,利用.copy之後不影響原數據
DataFrame=iris_data[:5].copy()
# 去除掉不想顯示的行數
print(DataFrame.drop(index=[1,3]))
DataFrame=iris_data[:5].copy()
# 去除掉不想要展示的列，需要藉助conlumns.
DataFrame.drop(columns=["花萼寬度","花瓣寬度"])
//輸出結果。去掉不想要的行，以及不想要的列
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
2 4.9 3.0 1.4 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
花萼長度 花瓣長度 類別
1 5.1 1.4 setosa
2 4.9 1.4 setosa
3 4.7 1.3 setosa
4 4.6 1.5 setosa
5 5.0 1.4 setosa
條件檢索
# 將空值信息篩選出來，具體isnull和isna的區別會詳加說明
df=iris_data.loc[iris_data["花萼長度"].isnull()]
print(df)
df1=iris_data.loc[iris_data["花萼長度"].isna()]
print(df1)
df2=iris_data.loc[iris_data["類別"].isnull()]
print(df2)
df3=iris_data.loc[iris_data["類別"].isna()]
print(df3)
# 篩選：不爲空的前四條信息
df2=iris_data.loc[iris_data["花萼長度"].notnull()]
print(df2[:4])
# # 篩選：具體某一個字段包含具體值的前五條
df3=iris_data.loc[iris_data["花萼長度"].isin([5.0])]
print(df3[:5])
//輸出結果（一一對應）
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
1 NaN 3.5 1.4 0.2 NaN
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
1 NaN 3.5 1.4 0.2 NaN
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
1 NaN 3.5 1.4 0.2 NaN
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
1 NaN 3.5 1.4 0.2 NaN
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
5 5.0 3.6 1.4 0.2 setosa
8 5.0 3.4 1.5 0.2 setosa
26 5.0 3.0 1.6 0.2 setosa
27 5.0 3.4 1.6 0.4 setosa
36 5.0 3.2 1.2 0.2 setosa
條件統計
# 打印出類別爲某個值的所有字段統計
print(iris_data.loc[iris_data["類別"]=="versicolor"].count())
c1=sum(iris_data["類別"]=="setosa")
c2=sum(iris_data["類別"]=="versicolor")
c3=sum(iris_data["類別"]=="virginica")
# 直接一一輸出具體的三個值
print(c1,c2,c3)
# 根據“類別”的值分別進行統計，就是所有的值都會顯示出來
iris_data["類別"].value_counts()
//輸出結果（一一對應，因爲自己手動改動了一個值爲happy,所以第三個的統計結果會出現四個值）
花萼長度 50
花萼寬度 50
花瓣長度 50
花瓣寬度 50
類別 50
dtype: int64
49 50 50
versicolor 50
virginica 50
setosa 49
happy 1
Name: 類別, dtype: int64
條件賦值
# 建立數據副本，以便多次修改
DataFrame=iris_data[:5].copy()
# 選擇出想要的數據然後對其中某個字段重新賦值
DataFrame.loc[DataFrame["花萼長度"]>4.8,"類別"]="大花萼"
print(DataFrame)
# 建立數據副本，以便多次修改
DataFrame=iris_data[:5].copy()
# 選擇出想要的數據然後對其所在的信息全部賦值爲固定值，主要目的就是可以去除所謂的髒數據，這樣更加容易將有用信息篩選出來
DataFrame.loc[DataFrame["花萼長度"]>4.8]="錯誤賦值"
DataFrame
//輸出結果（一一對應輸出）
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
1 4.2 3.5 1.4 0.2 happy
2 4.9 3.0 1.4 0.2 大花萼
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 大花萼
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
1 4.2 3.5 1.4 0.2 happy
2 錯誤賦值 錯誤賦值 錯誤賦值 錯誤賦值 錯誤賦值
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 錯誤賦值 錯誤賦值 錯誤賦值 錯誤賦值 錯誤賦值
條件統計
# count（非空值數）、unique（唯一值數）、top（頻數最高者）、freq（最高頻數）
# unique值爲四，就是因爲有4個不同的值。count爲總行數，
iris_data["類別"].describe()
# 統計總數(非空值)
iris_data["類別"].count()
# 某個字段的最大值爲多少
print(iris_data["花萼長度"].max())
# 某個字段的的最小值爲多少
print(iris_data["花萼長度"].min())
# 某個字段的平均值爲多少
print(iris_data["花萼長度"].mean())
# 某個字段的中值爲多少
print(iris_data["花萼長度"].median())
# 統計每列的最小值
print(iris_data.min())
# 統計每列的最大值
print(iris_data.max())
# 統計每列的平均值
print(iris_data.mean())
# 統計每列的中值
print(iris_data.median())
//輸出結果（一一對應）
count 150
unique 4
top versicolor
freq 50
Name: 類別, dtype: object
150
7.9
4.2
5.837333333333335
5.8
花萼長度 4.2
花萼寬度 2
花瓣長度 1
花瓣寬度 0.1
類別 happy
dtype: object
花萼長度 7.9
花萼寬度 4.4
花瓣長度 6.9
花瓣寬度 2.5
類別 virginica
dtype: object
花萼長度 5.837333
花萼寬度 3.057333
花瓣長度 3.758000
花瓣寬度 1.199333
dtype: float64
花萼長度 5.80
花萼寬度 3.00
花瓣長度 4.35
花瓣寬度 1.30
dtype: float64
# 列出不同的值，其實describe()函數都能展示
print(iris_data['類別'].unique())
# 先列出不同的值，然後再排序，默認升序排列
np.sort(iris_data["花萼長度"].unique())
# 聚合操作，可以同時運行多個函數
iris_agg=iris_data.agg(['max','min','mean','median'])
iris_agg
# 分組，可以統計出每個值統計數量
iris_groupby=iris_data.groupby(["花萼長度"])["花萼長度"].count()
iris_groupby
//輸出結果（一一對應）
['happy' 'setosa' 'versicolor' 'virginica']
array([4.2, 4.3, 4.4, 4.5, 4.6, 4.7, 4.8, 4.9, 5. , 5.1, 5.2, 5.3, 5.4,
5.5, 5.6, 5.7, 5.8, 5.9, 6. , 6.1, 6.2, 6.3, 6.4, 6.5, 6.6, 6.7,
6.8, 6.9, 7. , 7.1, 7.2, 7.3, 7.4, 7.6, 7.7, 7.9])
花萼長度 花萼寬度 花瓣長度 花瓣寬度 類別
max 7.900000 4.400000 6.900 2.500000 virginica
min 4.200000 2.000000 1.000 0.100000 happy
mean 5.837333 3.057333 3.758 1.199333 NaN
median 5.800000 3.000000 4.350 1.300000 NaN
# 分組，可以統計出每個值統計數量
iris_groupby=iris_data.groupby(["花萼長度"])["花萼長度"].count()
iris_groupby
# 分組，根據花萼長度進行分組，但根據的並非其數量進行統計了，而是根據類別來統計
iris_review=iris_data.groupby(['花萼長度'])['類別'].agg(['min','max'])
iris_review
# 分組，根據花萼長度進行分組，根據花瓣長度大小值進行統計
iris_review1=iris_data.groupby(['花萼長度'])['花瓣長度'].agg(['min','max'])
iris_review1