目录
- 数据准备
- 增
- 增加列
- 增加行
- 删
- 删除行
- 删除列
- 改
- 修改表元素
- 修改列标签
- 修改行标签
- 查
- 单条件查询
- 多条件查询
- 附录代码
数据准备
工具包导入及工作路径设置：
数据导入：
为了方便读者实操，这里附上原表：jingdian1.csv
增
增加列
增加列的方法有多种，这里列举两种。
增加“评级”列，level大于等于90的设为“高”，小于90设为“低”：
上面的插入方法相当于先按给定条件创建了一个数组，再将数组插入到df1中作为最后一列，利用insert方法可以指定插入位置，但列名不能使用中文：
增加行
增加行的方法也有多种，通常都是在表格最后一行后增加，如loc、append和row_stack方法。
loc：
PS：当此表格改变时，这里自定义的索引会被重置，从下面的操作中就可以看出。
append：
需要合并数据表的可以这样：
这里的 ignore_index 默认值为 False，此时插入的行默认索引将从0开始计算，此时若通过默认索引来筛选数据，则会出现同一索引条件可筛选出多个结果，类似下图：(读者可自行测试)
row_stack：(处理DataFrame不推荐使用，对应column_stack为增加列)
row_stack方法输出结果为数组，需再将其转换成DataFrame，并且列标签也需重新定义。
删
删除行
删除行通常使用drop方法，可以利用参数 inplace 自行选择是否更改原数据，默认 inplace = False，即不更改原表。
也可以通过“inplace = True”改变原表：
除了根据默认索引删除外，也可以指定行标签进行删除：
一次性删除多行也可以使用迭代器(range)：
删除列
这里展示3种删除列的方法：
1）del方法：
2）pop方法：
pop方法能将所选列从原数据表中取出，并且原数据表将不在含有该列。
3）drop方法：
drop方法删除列与删除行都可以通过 inplace 参数设置是否更改原表，继续使用上面更改后的表df1：
这里的 axis = 1 表示对列进行操作。
改
修改表元素
这里的修改是先选择了特定的行列值，再重新赋值。
修改列标签
修改行标签
重置索引：
查
单条件查询
查找评论数大于20000的景点：
可以使用 “~” 符号查找相反条件，即评论数小于等于20000：
多条件查询
PS：单个条件需要用括号括起来，条件之间用 “&” 连接。between方法：
这里的“inclusive = True”表示区间包含500和1500，即取闭区间，对应“inclusive = False”表示取开区间isin方法：
指定元素值查找可以使用 isin 方法，字符型数据需加引号。
附录代码
import pandas as pd
import numpy as np
import os
os.chdir('D:\practice')#设置当前工作路径
df1 = pd.read_csv('jingdian1.csv',encoding = 'utf-8') #读取数据
df1
*****增*****
#增加“评级”列
df1['评级'] = np.where(df1['level'] >= 90,'高','低')
df1
#按给定条件生成数组
df2 = np.where(df1['level'] >= 90,'高','低')
#将数组df2放到df1的第8列
df1.insert(7,'pingji',df2)#列名只能用英文字符或数字
df1
#自定义行标签/索引增加行
df1.loc['aa'] = [1,2,3,4,5,6,7,8,9,10,11]
df1
#字典形式手动增加数据
df1.append([{'province':'广东','city':'深圳'}],ignore_index = True)
#DF = df1.append([{'province':'广东','city':'深圳'}],ignore_index = False)
#DF.loc[0,'city']#筛选行索引值为 0 ，列索引值为“city”的数据
#DataFrame合并
df3 = df1[0:2]
df1.append([df3],ignore_index = True)
#row_stack方法
arr1 = np.array([1,2,3,4,5,6,7,8,9,10,11])
arr2 = np.row_stack((df1,arr1))
df4 = pd.DataFrame(arr2)
df4
*****删*****
#删除上面 df4 的最后三行
dfa = df4.drop([9,10,11])
dfa
#按默认索引值删除
df4.drop([9,10,11],inplace = True)
df4
#按行标签删除
df4.drop(labels=[0,1],inplace = True)
df4
#使用迭代器快速删除多行
df4.drop(labels=range(3,8),inplace = True)#区间左闭右开
df4
#将df1的插入列“pingji”删除
del df1['pingji']
df1
#取出df1中的“评级”列
PingJi = df1.pop('评级')
PingJi
df1
#删除df1中的经纬度两列
dfa = df1.drop(['lat','lng'],axis = 1,inplace = False)
dfa
*****改*****
#修改df1的dname值
df1.loc[df1['dname']=='外滩','dname'] = '上海外滩'
df1
#修改列标签/列名/列索引值
df1.rename(columns = {'strategy':'攻略数','comment':'评论数'},inplace = True)
df1
#修改行标签/行索引值
df1.rename(index = {2:2333,6:666},inplace = True)
df1
#重置索引
df1.reset_index(drop = True,inplace = True)
df1
*****查*****
#查找评论数大于20000的行
df1['评论数'] > 20000 #返回布尔值
df1[df1['评论数'] > 20000] #返回DataFrame
#查找相反条件
df1[~(df1['评论数'] > 20000)]
#查找评论数大于20000且攻略数小于1000的景点
df1[(df1['评论数'] > 20000) & (df1['攻略数'] < 1000)]
#between方法
df1['攻略数'].between(500,1500,inclusive = True) #返回布尔值
df1[df1['攻略数'].between(500,1500,inclusive = True)] #返回DataFrame
#isin方法
df1[ df1['评论数'].isin([35824,13811]) ]
