大多数数据科学家可能会赞扬Pandas进行数据准备的能力，但许多人可能无法利用所有这些能力。操作数据帧可能很快会成为一项复杂的任务，因此在Pandas中的八种技术中均提供了说明，可视化，代码和技巧来记住如何做。
Pandas提供了各种各样的DataFrame操作，但是其中许多操作很复杂，而且似乎不太平易近人。本文介绍了8种基本的DataFrame操作方法，它们涵盖了数据科学家需要知道的几乎所有操作功能。每种方法都将包括说明，可视化，代码以及记住它的技巧。
Pivot
透视表将创建一个新的“透视表”，该透视表将数据中的现有列投影为新表的元素，包括索引，列和值。初始DataFrame中将成为索引的列，并且这些列显示为唯一值，而这两列的组合将显示为值。这意味着Pivot无法处理重复的值。
旋转名为_df_ 的DataFrame的代码 如下：
记住：Pivot——是在数据处理领域之外——围绕某种对象的转向。在体育运动中，人们可以绕着脚“旋转”旋转：大熊猫的旋转类似于。原始DataFrame的状态围绕DataFrame的中心元素旋转到一个新元素。有些元素实际上是在旋转或变换的（例如，列“ bar ”），因此很重要。
Melt
Melt可以被认为是“不可透视的”，因为它将基于矩阵的数据（具有二维）转换为基于列表的数据（列表示值，行表示唯一的数据点），而枢轴则相反。考虑一个二维矩阵，其一维为“ B ”和“ C ”（列名），另一维为“ a”，“ b ”和“ c ”（行索引）。
我们选择一个ID，一个维度和一个包含值的列/列。包含值的列将转换为两列：一列用于变量（值列的名称），另一列用于值（变量中包含的数字）。
结果是ID列的值（a，b，c）和值列（B，C）及其对应值的每种组合，以列表格式组织。
可以像在DataFrame _df_上一样执行Mels操作 ：
记住：像蜡烛一样融化(Melt)就是将凝固的复合物体变成几个更小的单个元素（蜡滴）。融合二维DataFrame可以解压缩其固化的结构并将其片段记录为列表中的各个条目。
Explode
是一种摆脱数据列表的有用方法。当一列爆炸时，其中的所有列表将作为新行列在同一索引下（为防止发生这种情况， 此后只需调用 .reset_index（）即可）。诸如字符串或数字之类的非列表项不受影响，空列表是NaN值（您可以使用.dropna（）清除它们 ）。
在DataFrame _df中_Explode列“ A ” 非常简单：
要记住：Explode某物会释放其所有内部内容-Explode列表会分隔其元素。
Stack
堆叠采用任意大小的DataFrame，并将列“堆叠”为现有索引的子索引。因此，所得的DataFrame仅具有一列和两级索引。
堆叠名为_df_的表就像_df.stack（）_一样简单 。
为了访问狗的身高值，只需两次调用基于索引的检索，例如 df.loc ['dog']。loc ['height']。
要记住：从外观上看，_堆栈_采用表的二维性并将列堆栈为多级索引。
Unstack
取消堆叠将获取多索引DataFrame并对其进行堆叠，将指定级别的索引转换为具有相应值的新DataFrame的列。在表上调用堆栈后再调用堆栈不会更改该堆栈（原因是存在“ 0 ”）。
堆叠中的参数是其级别。在列表索引中，索引为-1将返回最后一个元素。这与水平相同。级别-1表示将取消堆叠最后一个索引级别（最右边的一个）。作为另一个示例，当级别设置为0（第一个索引级别）时，其中的值将成为列，而随后的索引级别（第二个索引级别）将成为转换后的DataFrame的索引。
可以按照与堆叠相同的方式执行堆叠，但是要使用level参数： df.unstack（level = -1）。
Merge
合并两个DataFrame是在共享的“键”之间按列（水平）组合它们。此键允许将表合并，即使它们的排序方式不一样。完成的合并DataFrame 默认情况下会将后缀__x_ 和 __y_添加 到value列。
为了合并两个DataFrame df1 和 df2 （其中 df1 包含 leftkey， 而 df2 包含 rightkey），请调用：
合并不是pandas的功能，而是附加到DataFrame。始终假定合并所在的DataFrame是“左表”，在函数中作为参数调用的DataFrame是“右表”，并带有相应的键。
默认情况下，合并功能执行内部联接：如果每个DataFrame的键名均未列在另一个键中，则该键不包含在合并的DataFrame中。另一方面，如果一个键在同一DataFrame中列出两次，则在合并表中将列出同一键的每个值组合。例如，如果 df1 具有3个键_foo_ 值， 而 df2 具有2个相同键的值，则 在最终DataFrame中将有6个条目，其中 leftkey = foo 和 rightkey = foo。
记住：合并数据帧就像在水平行驶时合并车道一样。想象一下，每一列都是高速公路上的一条车道。为了合并，它们必须水平合并。
Join
通常，联接比合并更可取，因为它具有更简洁的语法，并且在水平连接两个DataFrame时具有更大的可能性。连接的语法如下：
使用联接时，公共键列（类似于 合并中的_right_on_ 和 left_on）必须命名为相同的名称。how参数是一个字符串，它表示四种_连接_ 方法之一， 可以合并两个DataFrame：
-
' left '：包括_df1的_所有元素， 仅当其键为_df1_的键时才 包含_df2的_元素 。否则，_df2_的合并DataFrame的丢失部分 将被标记为NaN。
-
' right '：' left '，但在另一个DataFrame上。包括_df2的_所有元素， 仅当其键是_df2_的键时才 包含_df1的_元素 。
-
“outer”：包括来自DataFrames所有元素，即使密钥不存在于其他的-缺少的元素被标记为NaN的。
-
“inner”：仅包含元件的键是存在于两个数据帧键（交集）。默认合并。
记住：如果您使用过SQL，则单词“ join”应立即与按列添加相联系。如果不是，则“ join”和“ merge”在定义方面具有非常相似的含义。
Concat
合并和连接是水平工作，串联或简称为concat，而DataFrame是按行（垂直）连接的。例如，考虑使用_pandas.concat（[df1，df2]）_串联的具有相同列名的 两个DataFrame df1 和 df2 ：
尽管可以通过将axis参数设置为_1_来使用concat进行列式联接，但是使用联接 会更容易。
请注意，concat是pandas函数，而不是DataFrame之一。因此，它接受要连接的DataFrame列表。
如果一个DataFrame的另一列未包含，默认情况下将包含该列，缺失值列为NaN。为了防止这种情况，请添加一个附加参数_join ='inner'_，该参数 只会串联两个DataFrame共有的列。
切记：在列表和字符串中，可以串联其他项。串联是将附加元素附加到现有主体上，而不是添加新信息（就像逐列联接一样）。由于每个索引/行都是一个单独的项目，因此串联将其他项目添加到DataFrame中，这可以看作是行的列表。
Append是组合两个DataFrame的另一种方法，但它执行的功能与concat相同，效率较低且用途广泛。
如果您喜欢的话欢迎点赞转发！
往期精彩链接：
看完别走还有惊喜！
我精心整理了计算机/Python/机器学习/深度学习相关的2TB视频课与书籍，价值1W元。关注微信公众号“计算机与AI”，点击下方菜单即可获取网盘链接。
