Python Pandas 迭代

Python Pandas 迭代

对Pandas对象的基本迭代行为取决于其类型。当对一个系列进行迭代时,它被视为类似于数组,基本迭代会产生值。其他数据结构,如DataFrame和Panel,遵循 类似于口令的 惯例,对对象的 进行迭代。

简而言之,基本迭代(对于对象中的 i )产生 —

  • Series — 数值

  • DataFrame – 列标签

  • Panel – 项目标签

迭代一个数据框架

迭代一个DataFrame可以得到列名。让我们考虑下面的例子来理解这一点。

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

输出 情况如下—

A
C
D
x
y

为了遍历DataFrame的行,我们可以使用以下函数—

  • iteritems() – 遍历(key,value)对

  • iterrows() – 以(索引,系列)对的形式遍历各行

  • itertuples() – 以命名图元的形式遍历行。

iteritems()

以键、值对的形式遍历每一列,标签为键,列值为系列对象。

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

输出结果 如下 –

col1 0    0.802390
1    0.324060
2    0.256811
3    0.839186
Name: col1, dtype: float64

col2 0    1.624313
1   -1.033582
2    1.796663
3    1.856277
Name: col2, dtype: float64

col3 0   -0.022142
1   -0.230820
2    1.160691
3   -0.830279
Name: col3, dtype: float64

请注意,每一列都是作为一个系列中的键值对单独进行迭代。

iterrows()

iterrows()返回产生每个索引值的迭代器,以及包含每行数据的系列。

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

输出结果 如下 –

0  col1    1.529759
   col2    0.762811
   col3   -0.634691
Name: 0, dtype: float64

1  col1   -0.944087
   col2    1.420919
   col3   -0.507895
Name: 1, dtype: float64

2  col1   -0.077287
   col2   -0.858556
   col3   -0.663385
Name: 2, dtype: float64
3  col1    -1.638578
   col2     0.059866
   col3     0.493482
Name: 3, dtype: float64

注意 - 因为 iterrows() 在行上迭代,所以它不保留整个行的数据类型。0,1,2是行索引,col1,col2,col3是列索引。

itertuples()

itertuples()方法将返回一个迭代器,为DataFrame的每一行产生一个命名的元组。该元组的第一个元素将是该行对应的索引值,而其余的值是该行的值。

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

输出 情况如下—

Pandas(Index=0, col1=1.5297586201375899, col2=0.76281127433814944, col3=-
0.6346908238310438)

Pandas(Index=1, col1=-0.94408735763808649, col2=1.4209186418359423, col3=-
0.50789517967096232)

Pandas(Index=2, col1=-0.07728664756791935, col2=-0.85855574139699076, col3=-
0.6633852507207626)

Pandas(Index=3, col1=0.65734942534106289, col2=-0.95057710432604969,
col3=0.80344487462316527)

注意 - 在迭代时不要试图修改任何对象。迭代是为了阅读,迭代器返回原始对象(视图)的副本,因此变化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

输出结果 如下 –

        col1       col2       col3
0  -1.739815   0.735595  -0.295589
1   0.635485   0.106803   1.527922
2  -0.939064   0.547095   0.038585
3  -1.016509  -0.116580  -0.523158

观察,没有反映出变化。

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