熊猫的基本操作是什么？
数据分析师花费大量时间清洁和准备数据集进行工作。他们必须拥有必要的工具和能力来处理混乱的数据集，缺失值，不一致和模棱两可的数据。
PANDA具有某些基本操作，数据分析师需要用来与串联和数据框架中存储的数据进行交互。这些操作允许数据分析师在数据分析之前将数据变成可行的形式。
重新索引
我们在大熊猫数据结构上执行的必要操作是重新索引，这意味着创建一个新对象并重新安排熊猫数据结构中的数据，并符合新索引。
在这样做的同时，如果原始数据中的某些索引不存在数据，则添加了与这些索引相对应的丢失值。
代码：
一种=系列（（NP。随机的。兰德（（10），指数=[['一种'，，，，'b'，，，，'C'，，，，'D'，，，，'e'，，，，'F'，，，，'G'，，，，'H'，，，，'一世'，，，，'J'）））一种输出：
A 0.591050
B -0.952670
C -0.948599
D 0.091596
E -1.096649
F 0.199346
G 0.856941
H -0.086180
I -2.623903
J 0.271230
dtype：float64
代码：
new_index=[['一种'，，，，'a1'，，，，'b'，，，，'B1'，，，，'C'，，，，'C1'，，，，'D'，，，，'e'，，，，'F'，，，，'G'，，，，'H'，，，，'一世'，，，，'J'这是给予的重新=一种。reindex（（new_index）重新输出：
A 0.591050
a1 nan
B -0.952670
B1 Nan
C -0.948599
C1 Nan
D 0.091596
E -1.096649
F 0.199346
G 0.856941
H -0.086180
I -2.623903
J 0.271230
dtype：float64
在重新索引期间处理缺失值
想象一下您正在处理员工记录的情况。但是，许多员工提供了不完整的信息。您需要一种处理这些案例并突出显示差距以跟进它们的方法。也许您可以将“未知”插入所有空字段中，以使丢失的值易于识别。
在重新索引期间可以处理丢失值的各种方式。我们可以：
-
- 要么指定要填充的特定值 - 我们通过添加参数来做到这一点
fill_value = <要填充的值>到Reindex方法
- 要么指定要填充的特定值 - 我们通过添加参数来做到这一点
例如：
代码：
a_fillvalue=一种。reindex（（new_index，，，，fill_value=0）a_fillvalue输出：
A 0.591050
A1 0.000000
B -0.952670
B1 0.000000
C -0.948599
C1 0.000000
D 0.091596
E -1.096649
F 0.199346
G 0.856941
H -0.086180
I -2.623903
J 0.271230
dtype：float64
或者，我们可以通过传递参数来指定预定义的选项方法= <预定的方法值>。如果我们需要进行插值，前向填充，向后填充等实例，例如时间序列数据分析，则此方法很方便。
例如：
代码：
一种=系列（（NP。随机的。兰德（（10），指数=[[0，，，，2，，，，4，，，，6，，，，8，，，，10，，，，12，，，，14，，，，16，，，，18）））一种输出：
0 1.036439
1 1.036439
2 -0.841819
3 -0.841819
4 0.629621
5 0.629621
6 -1.905720
7 -1.905720
8 1.673387
9 1.673387
10 0.792506
11 0.792506
12 0.267104
13 0.267104
14 0.759571
15 0.759571
16 -0.847925
17 -0.847925
18 -0.598402
19 -0.598402
dtype：float64
代码：
## Reindex，以便在系列中引入索引1,3,5 ...重新=一种。reindex（（范围（（20））重新输出：
0 1.036439
1 nan
2 -0.841819
3 nan
4 0.629621
5 nan
6 -1.905720
7 nan
8 1.673387
9 nan
10 0.792506
11 nan
12 0.267104
13 nan
14 0.759571
15 Nan
16 -0.847925
17 Nan
18 -0.598402
19 nan
dtype：float64
代码：
##执行类似的reindex，但具有针对零值的前向填充方法
a_ffill=一种。reindex（（范围（（20），方法='ffill'）a_ffill输出：
0 1.036439
1 1.036439
2 -0.841819
3 -0.841819
4 0.629621
5 0.629621
6 -1.905720
7 -1.905720
8 1.673387
9 1.673387
10 0.792506
11 0.792506
12 0.267104
13 0.267104
14 0.759571
15 0.759571
16 -0.847925
17 -0.847925
18 -0.598402
19 -0.598402
dtype：float64
查看索引1、3和5：已从先前的索引中填充值。
有关Reindexing方法参数的完整列表，请参阅以下链接中可用的文档：
读：PANDAS的系列录入文档[1]
读：PANDAS文档用于数据框架rec索引[2]
删除条目
我们通常需要从大熊猫系列和数据框架中删除数据。您可以使用降低（）方法，可用于系列和数据框架。此方法接受索引或索引列表，将从系列和数据框架中删除。
此方法创建一个仅具有所需值的新对象。请注意，此操作不会执行内联行动（即，将在Drop操作后保留原始的PANDAS系列或DataFrame）。实际上，该方法创建了数据的选择性副本。
删除大熊猫系列的条目
让我们看一下如何从大熊猫系列中删除条目。
-
- 删除单个索引。
代码：
b=系列（（NP。Arange（（10），指数=[['一种'，，，，'b'，，，，'C'，，，，'D'，，，，'e'，，，，'F'，，，，'G'，，，，'H'，，，，'一世'，，，，'J'）））b输出：
A 0
b 1
C 2
D 3
E 4
F 5
G 6
H 7
我8
J 9
dtype：int32
代码：
#Dropping索引b
new_series=b。降低（（'b'）new_series输出：
A 0
C 2
D 3
E 4
F 5
G 6
H 7
我8
J 9
dtype：int32
-
- 删除多个索引。
代码：
＃删除多个索引。＃for e.g.，a，ge jnew_series_1=b。降低[[[['一种'，，，，'G'，，，，'J'）））new_series_1输出：
b 1
C 2
D 3
E 4
F 5
H 7
我8
dtype：int32
从大熊猫数据框架删除条目
对于数据框，我们指定两个轴的索引：行标签（通过使用索引参数）和列名（通过使用列参数）。
以下代码片段证明了此行为：
-
- 从数据框架中删除一行。
代码：
df_states
输出：
代码：
df_states_nont=df_states。降低（（'nt'）df_staes_nont输出：
通过传递一系列列索引和轴= 1，从数据框中删除多个列。
代码：
~~~ python
df_states
~~~
输出：
代码：
DF1=df_states。降低[[[['状态'，，，，'区域']，，轴=1）DF1输出：
代码：
df_states输出：
参考
- PANDAS文档用于系列Reindexing [Internet]。熊猫;[日期未知]。可从：https://pandas.pydata.org/pandas-docs/stable/reference/reference/api/pandas.series.reindex.html
- PANDAS文档用于DataFrame Reindexing [Internet]。熊猫;[日期未知]。可从：https://pandas.pydata.org/pandas-docs/stable/reference/PARPI/PANDAS.DATAFRAME.REINDEX.HTML
我们的目的是改变接受教育的机会。
我们提供来自世界各地的大学和文化机构的各种课程。这些一次是一次交付的一步，并且可以在移动，平板电脑和台式机上访问，因此您可以适合自己的生活。
我们认为，学习应该是一种愉快的社交经验，因此我们的课程为您提供了与他人一起讨论的机会，帮助您做出新的发现并形成新的想法。
您可以通过订阅我们无限制的包裹来解锁新的机会，以无限制地访问数百种在线短课程。电竞博彩app有什么通过顶尖的大学和组织建立知识。dota2竞猜吧
