Pandas 迭代

Pandas对象之间的基本迭代的行为取决于类型。当迭代一个系列时,它被视为数组式,基本迭代产生这些值。其他数据结构,如:DataFramePanel,遵循类似惯例迭代对象的键。简而言之,基本迭代(对于i在对象中)产生。

  • Series – 值
  • DataFrame – 列标签
  • Pannel – 项目标签

Pandas 迭代

迭代DataFrame

迭代DataFrame提供列名。现在来看看下面的例子来理解这个概念。

import pandas as pd
import numpy as np

N=20

df = pd.DataFrame({
    'A': pd.date_range(start='2016-01-01',periods=N,freq='D'),
    'x': np.linspace(0,stop=N-1,num=N),
    'y': np.random.rand(N),
    'C': np.random.choice(['Low','Medium','High'],N).tolist(),
    'D': np.random.normal(100, 10, size=(N)).tolist()
    })

for col in df:
   print (col)

执行上面示例代码,得到以下结果 –

A
C
D
x
y

要遍历数据帧(DataFrame)中的行,可以使用以下函数 –

  • iteritems() – 迭代(key,value)
  • iterrows() – 将行迭代为(索引,系列)对
  • itertuples() – 以namedtuples的形式迭代行

iteritems()示例

将每个列作为键,将值与值作为键和列值迭代为Series对象。

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(4,3),columns=['col1','col2','col3'])
for key,value in df.iteritems():
   print(key,value)

执行上面示例代码,得到以下结果 –

col1 0    0.459280
1    0.302563
2   -0.925297
3   -1.701360
Name: col1, dtype: float64
col2 0   -2.577661
1   -0.840329
2    0.277956
3    0.141397
Name: col2, dtype: float64
col3 0   -0.819635
1    0.826029
2   -0.038953
3    0.379977
Name: col3, dtype: float64

观察一下,单独迭代每个列作为系列中的键值对。

iterrows()示例

iterrows()返回迭代器,产生每个索引值以及包含每行数据的序列。

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(4,3),columns = ['col1','col2','col3'])
for row_index,row in df.iterrows():
   print(row_index,row)

执行上面示例代码,得到以下结果 –

0 col1    0.589103
col2   -1.344540
col3   -0.273822
Name: 0, dtype: float64
1 col1   -1.799794
col2    0.191032
col3   -0.470350
Name: 1, dtype: float64
2 col1    1.538743
col2   -0.443371
col3   -1.234744
Name: 2, dtype: float64
3 col1   -1.700915
col2    0.637768
col3    0.320671
Name: 3, dtype: float64

注意 – 由于iterrows()遍历行,因此不会跨该行保留数据类型。0,1,2是行索引,col1col2col3是列索引。

itertuples()示例

itertuples()方法将为DataFrame中的每一行返回一个产生一个命名元组的迭代器。元组的第一个元素将是行的相应索引值,而剩余的值是行值。

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(4,3),columns = ['col1','col2','col3'])
for row in df.itertuples():
    print(row)

执行上面示例代码,得到以下结果 –

Pandas(Index=0, col1=-0.459994067109029, col2=-1.3589032966943688, col3=-0.8378124266875753)
Pandas(Index=1, col1=-0.675609143041429, col2=0.9365900839103676, col3=0.16686318229869906)
Pandas(Index=2, col1=-0.32119668362802845, col2=0.31388056160597017, col3=1.3433307873076799)
Pandas(Index=3, col1=1.2368409605416566, col2=1.184780890409777, col3=-0.27277256974192443)

注意 – 不要尝试在迭代时修改任何对象。迭代是用于读取,迭代器返回原始对象(视图)的副本,因此更改将不会反映在原始对象上。

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(4,3),columns = ['col1','col2','col3'])

for index, row in df.iterrows():
   row['a'] = 10
print(df)

执行上面示例代码,得到以下结果 –

       col1      col2      col3
0  0.534370  0.245170  0.247378
1 -0.375285 -0.370878 -0.258897
2  0.910811 -1.566585 -0.857689
3  0.468804 -1.407227 -0.791819

注意观察结果,修改变化并未反映出来。

Python教程

Java教程

Web教程

数据库教程

图形图像教程

大数据教程

开发工具教程

计算机教程