免費AI編程助手
Pandas DataFrame結構
DataFrame 是 Pandas 的重要數(shù)據(jù)結構之一，也是在使用 Pandas 進行數(shù)據(jù)分析過程中最常用的結構之一，可以這么說，掌握了 DataFrame 的用法，你就擁有了學習數(shù)據(jù)分析的基本能力。
認識DataFrame結構
DataFrame 一個表格型的數(shù)據(jù)結構，既有行標簽（index），又有列標簽（columns），它也被稱異構數(shù)據(jù)表，所謂異構，指的是表格中每列的數(shù)據(jù)類型可以不同，比如可以是字符串、整型或者浮點型等。其結構圖示意圖，如下所示：
表格中展示了某個銷售團隊個人信息和績效評級（rating）的相關數(shù)據(jù)。數(shù)據(jù)以行和列形式來表示，其中每一列表示一個屬性，而每一行表示一個條目的信息。
下表展示了上述表格中每一列標簽所描述數(shù)據(jù)的數(shù)據(jù)類型，如下所示：
| Column | Type |
|---|---|
| name | String |
| age | integer |
| gender | String |
| rating | Float |
DataFrame 的每一行數(shù)據(jù)都可以看成一個 Series 結構，只不過，DataFrame 為這些行中每個數(shù)據(jù)值增加了一個列標簽。因此 DataFrame 其實是從 Series 的基礎上演變而來。在數(shù)據(jù)分析任務中 DataFrame 的應用非常廣泛，因為它描述數(shù)據(jù)的更為清晰、直觀。
通過示例對 DataFrame 結構做進一步講解。 下面展示了一張學生成績表，如下所示：
DataFrame 結構類似于 Execl 的表格型，表格中列標簽的含義如下所示：
- Regd.No：表示登記的序列號
- Name：學生姓名
- Marks：學生分數(shù)
同 Series 一樣，DataFrame 自帶行標簽索引，默認為“隱式索引”即從 0 開始依次遞增，行標簽與 DataFrame 中的數(shù)據(jù)項一一對應。上述表格的行標簽從 0 到 5，共記錄了 5 條數(shù)據(jù)（圖中將行標簽省略）。當然你也可以用“顯式索引”的方式來設置行標簽。
下面對 DataFrame 數(shù)據(jù)結構的特點做簡單地總結，如下所示：
- DataFrame 每一列的標簽值允許使用不同的數(shù)據(jù)類型；
- DataFrame 是表格型的數(shù)據(jù)結構，具有行和列；
- DataFrame 中的每個數(shù)據(jù)值都可以被修改。
- DataFrame 結構的行數(shù)、列數(shù)允許增加或者刪除；
- DataFrame 有兩個方向的標簽軸，分別是行標簽和列標簽；
- DataFrame 可以對行和列執(zhí)行算術運算。
創(chuàng)建DataFrame對象
創(chuàng)建 DataFrame 對象的語法格式如下：
import pandas as pd
pd.DataFrame( data, index, columns, dtype, copy)參數(shù)說明：
| 參數(shù)名稱 | 說明 |
|---|---|
| data | 輸入的數(shù)據(jù)，可以是 ndarray，series，list，dict，標量以及一個 DataFrame。 |
| index | 行標簽，如果沒有傳遞 index 值，則默認行標簽是 np.arange(n)，n 代表 data 的元素個數(shù)。 |
| columns | 列標簽，如果沒有傳遞 columns 值，則默認列標簽是 np.arange(n)。 |
| dtype | dtype表示每一列的數(shù)據(jù)類型。 |
| copy | 默認為 False，表示復制數(shù)據(jù) data。 |
Pandas 提供了多種創(chuàng)建 DataFrame 對象的方式，主要包含以下五種，分別進行介紹。
1) 創(chuàng)建空的DataFrame對象
使用下列方式創(chuàng)建一個空的 DataFrame，這是 DataFrame 最基本的創(chuàng)建方法。
import pandas as pd
df = pd.DataFrame()
print(df)輸出結果如下：
Empty DataFrame Columns: [] Index: []
2) 列表創(chuàng)建DataFrame對象
可以使用單一列表或嵌套列表來創(chuàng)建一個 DataFrame。
示例 1，單一列表創(chuàng)建 DataFrame：
import pandas as pd
data = [1,2,3,4,5]
df = pd.DataFrame(data)
print(df)輸出如下：
0 0 1 1 2 2 3 3 4 4 5
示例 2，使用嵌套列表創(chuàng)建 DataFrame 對象：
import pandas as pd
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'])
print(df)輸出結果：
Name Age 0 Alex 10 1 Bob 12 2 Clarke 13
示例 3，指定數(shù)值元素的數(shù)據(jù)類型為 float：
import pandas as pd
data = [['Alex',10],['Bob',12],['Clarke',13]]
df = pd.DataFrame(data,columns=['Name','Age'],dtype=float)
print(df)輸出結果：
Name Age 0 Alex 10.0 1 Bob 12.0 2 Clarke 13.0
3) 字典嵌套列表創(chuàng)建
data 字典中，鍵對應的值的元素長度必須相同（也就是列表長度相同）。如果傳遞了索引，那么索引的長度應該等于數(shù)組的長度；如果沒有傳遞索引，那么默認情況下，索引將是 range(n)，其中 n 代表數(shù)組長度。
示例 4：
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data)
print(df)
輸出結果：
Age Name 0 28 Tom 1 34 Jack 2 29 Steve 3 42 Ricky
注意：這里使用了默認行標簽，也就是 range(n)。它生成了 0,1,2,3，并分別對應了列表中的每個元素值。
示例 5，現(xiàn)在給上述示例 4 添加自定義的行標簽：
import pandas as pd
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}
df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])
print(df)輸出結果如下：
Age Name rank1 28 Tom rank2 34 Jack rank3 29 Steve rank4 42 Ricky
注意：index 參數(shù)為每行分配了一個索引。
4) 列表嵌套字典創(chuàng)建DataFrame對象
列表嵌套字典可以作為輸入數(shù)據(jù)傳遞給 DataFrame 構造函數(shù)。默認情況下，字典的鍵被用作列名。
示例 6 如下：
import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data)
print(df)輸出結果：
a b c 0 1 2 NaN 1 5 10 20.0
注意：如果其中某個元素值缺失，也就是字典的 key 無法找到對應的 value，將使用 NaN 代替。
示例 7，給上述示例 6 添加行標簽索引：
import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df = pd.DataFrame(data, index=['first', 'second'])
print(df)輸出結果：
a b c first 1 2 NaN second 5 10 20.0
示例 8，如何使用字典嵌套列表以及行、列索引表創(chuàng)建一個 DataFrame 對象。
import pandas as pd
data = [{'a': 1, 'b': 2},{'a': 5, 'b': 10, 'c': 20}]
df1 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b'])
df2 = pd.DataFrame(data, index=['first', 'second'], columns=['a', 'b1'])
print(df1)
print(df2)輸出結果：
#df1輸出
a b
first 1 2
second 5 10
#df2輸出
a b1
first 1 NaN
second 5 NaN
注意：因為 b1 在字典鍵中不存在，所以對應值為 NaN。
5) Series創(chuàng)建DataFrame對象
您也可以傳遞一個字典形式的 Series，從而創(chuàng)建一個 DataFrame 對象，其輸出結果的行索引是所有 index 的合集。 示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df)輸出結果如下：
one two a 1.0 1 b 2.0 2 c 3.0 3 d NaN 4
注意：對于 one 列而言，此處雖然顯示了行索引 'd'，但由于沒有與其對應的值，所以它的值為 NaN。
列索引操作DataFrame
DataFrame 可以使用列索（columns index）引來完成數(shù)據(jù)的選取、添加和刪除操作。下面依次對這些操作進行介紹。
1) 列索引選取數(shù)據(jù)列
您可以使用列索引，輕松實現(xiàn)數(shù)據(jù)選取，示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df ['one'])輸出結果：
a 1.0 b 2.0 c 3.0 d NaN Name: one, dtype: float64
2) 列索引添加數(shù)據(jù)列
使用 columns 列索引表標簽可以實現(xiàn)添加新的數(shù)據(jù)列，示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
#使用df['列']=值，插入新的數(shù)據(jù)列
df['three']=pd.Series([10,20,30],index=['a','b','c'])
print(df)
#將已經(jīng)存在的數(shù)據(jù)列做相加運算
df['four']=df['one']+df['three']
print(df)
輸出結果：
使用列索引創(chuàng)建新數(shù)據(jù)列:
one two three
a 1.0 1 10.0
b 2.0 2 20.0
c 3.0 3 30.0
d NaN 4 NaN
已存在的數(shù)據(jù)列做算術運算：
one two three four
a 1.0 1 10.0 11.0
b 2.0 2 20.0 22.0
c 3.0 3 30.0 33.0
d NaN 4 NaN NaN
上述示例，我們初次使用了 DataFrame 的算術運算，這和 NumPy 非常相似。除了使用df[]=value的方式外，您還可以使用 insert() 方法插入新的列，示例如下：
import pandas as pd
info=[['Jack',18],['Helen',19],['John',17]]
df=pd.DataFrame(info,columns=['name','age'])
print(df)
#注意是column參數(shù)
#數(shù)值1代表插入到columns列表的索引位置
df.insert(1,column='score',value=[91,90,75])
print(df)輸出結果：
添加前：
name age
0 Jack 18
1 Helen 19
2 John 17
添加后：
name score age
0 Jack 91 18
1 Helen 90 19
2 John 75 17
3) 列索引刪除數(shù)據(jù)列
通過 del 和 pop() 都能夠刪除 DataFrame 中的數(shù)據(jù)列。示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),
'three' : pd.Series([10,20,30], index=['a','b','c'])}
df = pd.DataFrame(d)
print ("Our dataframe is:")
print(df)
#使用del刪除
del df['one']
print(df)
#使用pop方法刪除
df.pop('two')
print(df)輸出結果：
原DataFrame:
one three two
a 1.0 10.0 1
b 2.0 20.0 2
c 3.0 30.0 3
d NaN NaN 4
使用del刪除 first:
three two
a 10.0 1
b 20.0 2
c 30.0 3
d NaN 4
使用 pop()刪除:
three
a 10.0
b 20.0
c 30.0
d NaN
行索引操作DataFrame
理解了上述的列索引操作后，行索引操作就變的簡單。下面看一下，如何使用行索引來選取 DataFrame 中的數(shù)據(jù)。
1) 標簽索引選取
可以將行標簽傳遞給 loc 函數(shù)，來選取數(shù)據(jù)。示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.loc['b'])輸出結果：
- one 2.0
- two 2.0
- Name: b, dtype: float64
注意：loc 允許接兩個參數(shù)分別是行和列，參數(shù)之間需要使用“逗號”隔開，但該函數(shù)只能接收標簽索引。
2) 整數(shù)索引選取
通過將數(shù)據(jù)行所在的索引位置傳遞給 iloc 函數(shù)，也可以實現(xiàn)數(shù)據(jù)行選取。示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
print(df.iloc[2])輸出結果：
one 3.0 two 3.0 Name: c, dtype: float64
注意：iloc 允許接受兩個參數(shù)分別是行和列，參數(shù)之間使用“逗號”隔開，但該函數(shù)只能接收整數(shù)索引。
3) 切片操作多行選取
您也可以使用切片的方式同時選取多行。示例如下：
import pandas as pd
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}
df = pd.DataFrame(d)
#左閉右開
print(df[2:4])輸出結果：
one two c 3.0 3 d NaN 4
4) 添加數(shù)據(jù)行
使用 append() 函數(shù)，可以將新的數(shù)據(jù)行添加到 DataFrame 中，該函數(shù)會在行末追加數(shù)據(jù)行。示例如下：
import pandas as pd
df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
#在行末追加新數(shù)據(jù)行
df = df.append(df2)
print(df)輸出結果：
a b 0 1 2 1 3 4 0 5 6 1 7 8
5) 刪除數(shù)據(jù)行
您可以使用行索引標簽，從 DataFrame 中刪除某一行數(shù)據(jù)。如果索引標簽存在重復，那么它們將被一起刪除。示例如下：
import pandas as pd
df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])
df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])
df = df.append(df2)
print(df)
#注意此處調(diào)用了drop()方法
df = df.drop(0)
print(df)輸出結果：
執(zhí)行drop(0)前： a b 0 1 2 1 3 4 0 5 6 1 7 8 執(zhí)行drop(0)后： a b 1 3 4 1 7 8
在上述的示例中，默認使用 range(2) 生成了行索引，并通過 drop(0) 同時刪除了兩行數(shù)據(jù)。
常用屬性和方法匯總
DataFrame 的屬性和方法，與 Series 相差無幾，如下所示：
| 名稱 | 屬性&方法描述 |
|---|---|
| T | 行和列轉(zhuǎn)置。 |
| axes | 返回一個僅以行軸標簽和列軸標簽為成員的列表。 |
| dtypes | 返回每列數(shù)據(jù)的數(shù)據(jù)類型。 |
| empty | DataFrame中沒有數(shù)據(jù)或者任意坐標軸的長度為0，則返回True。 |
| ndim | 軸的數(shù)量，也指數(shù)組的維數(shù)。 |
| shape | 返回一個元組，表示了 DataFrame 維度。 |
| size | DataFrame中的元素數(shù)量。 |
| values | 使用 numpy 數(shù)組表示 DataFrame 中的元素值。 |
| head() | 返回前 n 行數(shù)據(jù)。 |
| tail() | 返回后 n 行數(shù)據(jù)。 |
| shift() | 將行或列移動指定的步幅長度 |
下面對 DataFrame 常用屬性進行演示，首先我們創(chuàng)建一個 DataFrame 對象，示例如下：
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#輸出series
print(df)輸出結果：
輸出 series 數(shù)據(jù):
Name years Rating
0 W3Cschool 5 4.23
1 編程獅 6 3.24
2 百度 15 3.98
3 360搜索 28 2.56
4 谷歌 3 3.20
5 微學苑 19 4.60
6 Bing搜索 23 3.80
1) T（Transpose）轉(zhuǎn)置
返回 DataFrame 的轉(zhuǎn)置，也就是把行和列進行交換。
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#輸出DataFrame的轉(zhuǎn)置
print(df.T)輸出結果：
Our data series is:
0 1 2 3 4 5 6
Name W3Cschool 編程獅 百度 360搜索 谷歌 微學苑 Bing搜索
years 5 6 15 28 3 19 23
Rating 4.23 3.24 3.98 2.56 3.2 4.6 3.8
2) axes
返回一個行標簽、列標簽組成的列表。
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#輸出行、列標簽
print(df.axes)輸出結果：
[RangeIndex(start=0, stop=7, step=1), Index(['Name', 'years', 'Rating'], dtype='object')]
3) dtypes
返回每一列的數(shù)據(jù)類型。示例如下：
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#輸出行、列標簽
print(df.dtypes)輸出結果：
Name object years int64 Rating float64 dtype: object
4) empty
返回一個布爾值，判斷輸出的數(shù)據(jù)對象是否為空，若為 True 表示對象為空。
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3CSchool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#判斷輸入數(shù)據(jù)是否為空
print(df.empty)輸出結果：
判斷輸入對象是否為空： False
5) ndim
返回數(shù)據(jù)對象的維數(shù)。DataFrame 是一個二維數(shù)據(jù)結構。
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#DataFrame的維度
print(df.ndim)輸出結果：
26) shape
返回一個代表 DataFrame 維度的元組。返回值元組 (a,b)，其中 a 表示行數(shù)，b 表示列數(shù)。
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#DataFrame的形狀
print(df.shape)輸出結果：
(7, 3)7) size
返回 DataFrame 中的元素數(shù)量。示例如下：
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#DataFrame的中元素個數(shù)
print(df.size)輸出結果：
21
8) values
以 ndarray 數(shù)組的形式返回 DataFrame 中的數(shù)據(jù)。
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3Cschool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#DataFrame的數(shù)據(jù)
print(df.values)輸出結果：
[['W3Cschool' 5 4.23] ['編程獅' 6 3.24] ['百度' 15 3.98] ['360搜索' 28 2.56] ['谷歌' 3 3.2] ['微學苑' 19 4.6] ['Bing搜索' 23 3.8]]
9) head()&tail()查看數(shù)據(jù)
如果想要查看 DataFrame 的一部分數(shù)據(jù)，可以使用 head() 或者 tail() 方法。其中 head() 返回前 n 行數(shù)據(jù)，默認顯示前 5 行數(shù)據(jù)。示例如下：
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3CSchool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#獲取前3行數(shù)據(jù)
print(df.head(3))輸出結果：
Name years Rating 0 W3CSchool 5 4.23 1 編程獅 6 3.24 2 百度 15 3.98
tail() 返回后 n 行數(shù)據(jù)，示例如下：
import pandas as pd
import numpy as np
d = {'Name':pd.Series(['W3CSchool','編程獅',"百度",'360搜索','谷歌','微學苑','Bing搜索']),
'years':pd.Series([5,6,15,28,3,19,23]),
'Rating':pd.Series([4.23,3.24,3.98,2.56,3.20,4.6,3.8])}
#構建DataFrame
df = pd.DataFrame(d)
#獲取后2行數(shù)據(jù)
print(df.tail(2))輸出結果：
Name years Rating 5 微學苑 19 4.6 6 Bing搜索 23 3.8
10) shift()移動行或列
如果您想要移動 DataFrame 中的某一行/列，可以使用 shift() 函數(shù)實現(xiàn)。它提供了一個periods參數(shù)，該參數(shù)表示在特定的軸上移動指定的步幅。
shif() 函數(shù)的語法格式如下：
DataFrame.shift(periods=1, freq=None, axis=0) 參數(shù)說明如下：
| 參數(shù)名稱 | 說明 |
|---|---|
| peroids | 類型為int，表示移動的幅度，可以是正數(shù)，也可以是負數(shù)，默認值為1。 |
| freq | 日期偏移量，默認值為None，適用于時間序。取值為符合時間規(guī)則的字符串。 |
| axis | 如果是 0 或者 "index" 表示上下移動，如果是 1 或者 "columns" 則會左右移動。 |
| fill_value | 該參數(shù)用來填充缺失值。 |
該函數(shù)的返回值是移動后的 DataFrame 副本。下面看一組簡單的實例：
import pandas as pd
info= pd.DataFrame({'a_data': [40, 28, 39, 32, 18],
'b_data': [20, 37, 41, 35, 45],
'c_data': [22, 17, 11, 25, 15]})
#移動幅度為3
info.shift(periods=3) 輸出結果：
a_data b_data c_data 0 NaN NaN NaN 1 NaN NaN NaN 2 NaN NaN NaN 3 40.0 20.0 22.0 4 28.0 37.0 17.0
下面使用 fill_value 參數(shù)填充 DataFrame 中的缺失值，如下所示：
import pandas as pd
info= pd.DataFrame({'a_data': [40, 28, 39, 32, 18],
'b_data': [20, 37, 41, 35, 45],
'c_data': [22, 17, 11, 25, 15]})
#移動幅度為3
print(info.shift(periods=3))
#將缺失值和原數(shù)值替換為52
info.shift(periods=3,axis=1,fill_value= 52) 輸出結果：
原輸出結果： a_data b_data c_data 0 NaN NaN NaN 1 NaN NaN NaN 2 NaN NaN NaN 3 40.0 20.0 22.0 4 28.0 37.0 17.0 替換后輸出： a_data b_data c_data 0 52 52 52 1 52 52 52 2 52 52 52 3 52 52 52 4 52 52 52
注意：fill_value 參數(shù)不僅可以填充缺失值，還也可以對原數(shù)據(jù)進行替換。
更多建議：