扫二维码与项目经理沟通
我们在微信上24小时期待你的声音
解答本文疑问/技术咨询/运营咨询/技术建议/互联网交流
这里，才python前沿。可惜是英文原版。所以，我要练习英文阅读。🧐🧐
——华罗庚
本篇学习笔记，需要有list、dict数据类型基础打底，如您还没了解请先行学习。如继续下看，可能有些“吃力”。另：这是 DataFrame 的第二个数据类型，要有 DataFrame 的第一个数据类型 Series 的知识打底，请点击蓝色超链接文字跳转查看。
目录
例子原始数据：六名学生每天跳绳练习个数记录(4月9日至4月13，5天)。
Tom = 453, 307, 618, 742, 267
Rose = 303, 421, 512, 289, 306
John = 367, 431, 519, 279, 336
Anna = 273, 391, 512, 289, 306
Duo = 283, 371, 507, 243, 323
Liuyi = 347, 291, 472, 329, 345数据初处理：
names = [Tom, Rose, John, Anna, Duo, Liuyi]
gb = globals() # 全局变量字典获取函数取别名，简化后续语句，方便读写。
names_str = [i for i in gb if gb[i] in names] # if 语句意即全局变量字典中 i 字符名称对应的变量在 names 中就解析出该字符串。一、DataFrame 实例创建
df = pd.DataFrame(names) # 1、数据直接生成 DatsFrame 。
print(f"\n\n{' 1、数据直接生成 DatsFrame ':-^34}\n\n{df}")运行效果
默认定义没有设置特定索引，按照惯例( Series 中已经形成的惯例)索引就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构(类似 excel 或者 mysql 中的查看效果)。
注意：“用 df.index = ”重置索引，index 序列元素一定要与 DataFrame 的行数匹配，否则报错。但，创建时设置，可以“短长”少的行被舍去，多的无值为空(NaN)。
df.index = names_str # 2、用姓名字符重置索引。
print(f"\n\n{' 2、用姓名字符设置索引 ':-^31}\
\n{cut_line()}{names_str}{cut_line()}{df}")运行效果
用 date 重置 columns
代码
date = [f'{i}日' for i in range(9, 14)] # 准备日期列表。
df.columns = date # 三、用 date 设置 columns
print(f"\n\n{' 3、用 date 设置 columns ':-^37}\
\n{cut_line()}{date}{cut_line()}{df}")运行效果
至此，终于有了数据的样子。😝
每一行为一个学生的跳绳练习数据，每一列为每日跳绳练习各个学生跳绳练习数据，这才是一个有实际意义的二维数据表格的样子。
代码
df01 = pd.DataFrame(names, index=names_str)
df02 = pd.DataFrame(names, columns=date)
df03 = pd.DataFrame(names, columns=date, index=names_str)
print(f"\n\n{cut_line()}{'':>4}在创建 DataFrme 时，是可以直接设置 index 和 columns的。\
{cut_line()}只设置 index：\n\n{df01}{cut_line()}\
{cut_line()}只设置 columns：\n\n{df02}{cut_line()}\
同时设置 index、columns：\n\n{df03}{cut_line()}")运行效果
使用 dict 定义。这是定义一个 DataFrame 对象的常用方法。字典的“键”( names、date )就是 DataFrame 的 index、columns 的值(名称)，字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。
代码
# columns = date, index = names_str
data_dict_d = {x: y for x, y in zip(date, data_date)} # 解析每日学生数据字典。
df_dict_d = pd.DataFrame(data_dict_d, index=names_str)
# columns = names_str, index = date
data_dict_n = {x: y for x, y in zip(names_str, names)} # 解析每日学生数据字典。
df_dict_n = pd.DataFrame(data_dict_n, index=date)运行效果
代码
# columns = date, index = names_str
data_S_name = [pd.Series(i, index=date) for i in names] # 解析 Series 数据列表。
df_S_n = pd.DataFrame(data_S_name, index=names_str)
# columns = names_str, index = date
data_S_date = [pd.Series(i, index=names_str) for i in data_date] # 解析 Series 数据列表。
df_S_d = pd.DataFrame(data_S_date, index=date)运行效果
3.Series 创建如上试验，可以看出，dict、Series 创建 DataFrame 实例，效果完全一样。用行或者列表示一个人的数据，都是可以的。
代码
定义 DataFrame 的方法，除了 dict、Series，还可以用字典套字典创建 DataFrame。
在字典中就规定好行列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。
嵌套字典生成代码
d = data_dict_d # 每日数据字典变量起别名，简短代码语句。
dd = {} # 嵌套字典：{date: {name: 数据}}。
for x, y in zip(date, d): # 生成外层字典键。
tem = {} # 外层字典值，内层字典。
for m,n in zip(names_str, d.get(y)):
tem[m] = n # 内层字典赋值。
dd[x] = tem # 外层字典赋值。代码
df = pd.DataFrame(dd) # dict 套 dict 创建 Dataframe 。
print(f"\n\n{' 3、dict 套 dict 创建 Dataframe ':-^37}\
{cut_line()}嵌套字典：\n\n{dd}\
{cut_line()}创建的 Dataframe：\n\n{df}{cut_line()}") # 在字典中就规定好行列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。运行效果
a.创建同时设置 index
字典创建时设置，Series创建时设置
b.重置 index
代码
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
tem = df.copy()
tem.index = list('ABCDEF')
print(f"\n\n用{list('ABCDEF')}设置 index：\n\n{tem}")
tem.index = list('abcde') + ['Tom']
print(f"\n\n重置 index 不可以“自动对齐”：\n\n{tem}{cut_line()}")运行效果
重置 index不可以“自动对齐”，是按照 df.index = 后面的序列排序。注意：跟定义 DataFrame 一样，
index 序列的元素个数必须匹配行数，否则报错。
列序 columns 的重置和定义时设置：日期、姓名设置，与 index 类似，这里就不再赘述(点击蓝色超链接文字可以查看)。
在 DataFrame 的参数中index=list.append()，可以得到想要的结果。
在这里，好像打破了 list.append() 没能返回值的“神话🧐🧐”。
打断点查看，list 也是成功追加新元素的，DataFrome 也是得到了新增元素的 list 赋值 index 的。
new_data = {'Anna': 337, 'Tom': 403, 'Rose': 567, 'Liuquan': 453} # 4月14日数据。代码
old_names_str = names_str[:] # append() 前names-str 副本。
dd['14日']=new_data # 新数据添加到嵌套字典。
df_new_dict = pd.DataFrame(dd, index=names_str.append('Liuquan'),
columns=list(df.columns).append('14日'))
print(f"{cut_line()}原姓名列表：\n\n{old_names_str}\
\n\n在 DataFrame 中 执行 index=names_str.append('Liuquan') 后的 names_str ：\n{names_str}{cut_line()}")
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 追加新数据的嵌套字典新建 DataFrame ':-^29}\n\n{df_new_dict}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")运行效果
用追加新数据的嵌套字典重建 DataFrame ，新的行、列都可以得到保存。
代码
# 插入列
new_Series = pd.Series(new_data) # 4月17日数据打包成 Series 。注意：参数只能是列表或一层字典，因为 Series 是一维数组。
df_new_S = df.copy() # DataFrame 对象复制。
df_new_S['14日'] = new_Series # 追加 Series 到 DataFrame 。
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 数据创建 Seroies，字典式赋值追加 ':-^29}\n\n{df_new_S}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")运行效果
如您所见，Series 追加数据虽然方便快捷，但不可以新增行索引，不匹配 index 的数据将被舍弃。DataFrame 新建实例确是可以定义多于原数据的索引的。这，就需要根据追加的数据选择了。当然，我更喜欢 Series。
代码
df = df_new_dict.copy() # DataFrame 对象复制。
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
df['15日'] = pd.Series() # 添加空列。
print(f"\n\n{'添加空列':-^37}\n\n{df}")
data_new1 = (389, 452, 422, 309, 433, 398, 409) # 用数组添加列，元素一定匹配列数，不然报错。
df['15日'] = data_new1 # 整列依次赋值(元素须与行数匹配，类型可以是 tuple、list等有序数组)。
print(f"\n\n{'对空列依次赋值':-^34}\n\n数据 = {data_new1}\n\n{df}")
data_new2 = {'Anna': 347, 'Any': 564, 'Liuyi': 389, 'Tom': 422, 'Duo': 402, 'John': 338, 'Rose': 409, 'Liuquan': 309}
df['16日'] = pd.Series(data_new2)
print(f"\n\n{'用 Series 添加元素多于行数的数据':-^29}\
\n\n数据 = {data_new2}\n\n{df}")运行效果
添加不等行数元素，可以用 dict、Series ，不多于 DataFrame 行数的数据，二者皆可；多于行数就只可以 Series 数据类型添加。DataFrame 会自动对齐索引，不在意数据字典顺序。索引中没有的数据，将被“丢弃”。
a.等长依次赋值
b.整列赋同一值
代码
df.insert(0, '班级', [f'4.{i}班' for i in range(1, 8)])
index_num = list(df.columns).index('16日') + 1
df.insert(index_num, '职务', '学生')
print(f"\n\n{' 插入列(colmuns) ':-^34}\n\n{df}")运行效果
插入列，赋同一值也可赋不同值(不同值数量一定得与行数匹配)。DataFrame ，添加本来没有的列，这操作同字典(字典可以添加本来没有的键）。
按日期倒序重置列序
代码
columns_lis = ['班级'] + [f'{i}日' for i in range(16, 8, -1)]+['职务'] # 生成日期倒序列表。
print(f"\n\n{'重置列序':-^37}\n\n列序：\n{columns_lis}\
\n\n{df.loc[:, columns_lis]}{cut_line()}")代码运行效果
a.字典列表式赋值
代码
print(f"{cut_line()} Liuquan 4月9日、11日原有数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}\n\n")
df['9日']['Liuquan'] = 453
df['11日']['Liuquan'] = 386
print(f"\n\n补录(修改)后 Liuquan 4月9日、11日数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}{cut_line()}")运行效果
字典列表式赋值(df[rows][columns] = value)虽然跟loc方法同效，但我的两个 pandas (python3.10.2+pandas1.4.1、python3.6.6+pandas0.23.4)环境都有“警告”信息抛出，虽然也可以实现赋值。我不明白：是不是因为手机环境？
b.loc 方法选择赋值
代码
print(f"{cut_line()}原有数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}\n\n{'-'*41}")
df.loc['Liuquan', ['10日']] = 436 # 用loc 方法修改更明了，且静默。
df.loc['Liuquan', ['12日']] = 398
print(f"\n\nLiuquan 4月10日、12日(436, 398)数据补录：\n\n{df}\
\n\n{df[df.index == 'Liuquan']}\
补全(修改)后数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}{cut_line()}")运行效果
用loc 方法修改更明了，且静默。
代码
df.insert(len(df.columns), 'Rank', 'OK') # 插入考评等级列“Rank”。
df_bool = df.isna() # df.isna() 方法判定空值NAN。
for date in [f"{i}日" for i in range(9,17)]:
for name in df.index:
if df_bool[date][name]:
df.loc[name,['Rank']] = 'NG'
elif not df_bool[date][name] and df['Rank'][name]=='OK':
df.loc[name,['Rank']] = 'OK'
print(f"{cut_line()}计算全勤后的列表：\n\n{df}\n\n{'-'*41}\
\n\n4月9日至16日每天坚持跳绳练习的有：\
\n{df.loc[df['Rank']=='OK']}\n{cut_line()}")运行效果
换组数据试试，换一组实验数据来看看 df.loc() 方法的条件筛选。
代码
english = [45, 89, 88, 89]
chinese = [92, 92, 89, 92]
math = [34, 78, 78, 92]
names = ['Rose', 'Jhon', 'Anna', 'Tom']
df = pd.DataFrame({'Chinese': chinese,
'English': english,
'Math': math},
index=names, columns=('Chinese', 'Math', 'English'))
print('数据：')
for i in ('Names', 'Chinese', 'Math', 'English'):
print(f"\n{i}：\n{eval(i.lower())}")
print(f"\n\nDataFrame：\n{df}")
# 分数筛选
print(f"\n\n语文{color(92, 'b_gray', 'f_red')}分的：\n{df.loc[df['Chinese']==92]}\
\n\n英语{color(89, 'f_red', 'b_gray')}分的：\n{df.loc[df['English']==89]}\
\n\n数学{color(78, 'f_red', 'b_gray')}分的：\n{df.loc[df['Math']==78]}")运行效果
(如果从语句注释不能清楚作用，请评论区留言指教和探讨。🤝)
#!/sur/bin/env python
# coding: utf-8
'''
filename: /sdcard/qpython/tem.py
梦幻精灵_cq的炼码场
'''
from mypythontools import color, wait, cut_line # 从自码工具模块加载需用代码模块中要使用的函数。
print(f"\n\n{'正在加载 Pandad ...':^38}")
import pandas as pd # 加载 pandas 并取别名 pd 。
# 例子原始数据：六名学生每天跳绳练习个数记录(4月9日至4月13，6天)。
Tom = 453, 307, 618, 742, 267
Rose = 303, 421, 512, 289, 306
John = 367, 431, 519, 279, 336
Anna = 273, 391, 512, 289, 306
Duo = 283, 371, 507, 243, 323
Liuyi = 347, 291, 472, 329, 345
# 数据初处理：数据整合成一个列表，姓名字符列表准备好用来重置索引。
names = [Tom, Rose, John, Anna, Duo, Liuyi]
gb = globals() # 全局变量字典获取函数取别名，简化后续语句，方便读写。
# 从全局变量名字典中列表解析 names 中的变量名字符串。
# 直接对字典用一个变量遍历，就是对 key 操作(同时两个变量遍历字典，变量接收的依次是 key、value，类 doct.iters() 字典视图。)，key 即是 globles() 获取的变量名字符串。
names_str = [i for i in gb if gb[i] in names] # if 语句意即全局变量字典中 i 字符名称对应的变量在 names 中就解析出该字符串。
# 创建 DataFrame
df = pd.DataFrame(names) # 1、数据直接生成 DatsFrame 。
print(f"\n\n{' 1、数据直接生成 DatsFrame ':-^34}\n\n{df}") # 上面的定义中没有设置特定索引，所以，按照惯例( Series 中已经形成的惯例)就是从 0 开始的整数。从上面的结果中很明显表示出来，这就是一个二维的数据结构(类似 excel 或者 mysql 中的查看效果)。
df.index = names_str # 2、用姓名字符重置索引。
print(f"\n\n{' 2、用姓名字符设置索引 ':-^31}\
\n{cut_line()}{names_str}{cut_line()}{df}") # 注意：“用 df.index = ”重置索引，index 序列元素一定要与 DataFrame 的行数匹配，否则报错。但，创建时设置，可以“短长”少的行被舍去，多的无值为空(NaN)。
date = [f'{i}日' for i in range(9, 14)] # 准备日期列表。
df.columns = date # 3、用 date 设置 columns
print(f"\n\n{' 3、用 date 设置 columns ':-^37}\
\n{cut_line()}{date}{cut_line()}{df}")
# 在创建 DataFrme 时，是可以直接设置 index 和 columns 的咯。
df01 = pd.DataFrame(names, index=names_str)
df02 = pd.DataFrame(names, columns=date)
df03 = pd.DataFrame(names, columns=date, index=names_str)
print(f"\n\n{cut_line()}{'':>4}在创建 DataFrme 时，是可以直接设置 index 和 columns的。\
{cut_line()}只设置 index：\n\n{df01}{cut_line()}\
{cut_line()}只设置 columns：\n\n{df02}{cut_line()}\
同时设置 index、columns：\n\n{df03}{cut_line()}")
data_date = [] # 从每个学生数据中提取每日学生数据。
for k in range(5): # 循环提取每天数据。
tem = [] # 每人每天数据列表。
for i in names:
tem.append(i[k]) # 追加当天每人数据。
data_date.append(tem) # 追加当天每人数据。
# 二、用 dict、Series 创建 DataFrame 实例。
# Dict：
data_dict_d = {x: y for x, y in zip(date, data_date)} # 解析每日学生数据字典。
df_dict_d = pd.DataFrame(data_dict_d, index=names_str)
data_dict_n = {x: y for x, y in zip(names_str, names)} # 解析每日学生数据字典。
df_dict_n = pd.DataFrame(data_dict_n, index=date) # 使用 dict 定义。这是定义一个 DataFrame 对象的常用方法。字典的“键”( names、date )就是 DataFrame 的 index、columns 的值(名称)，字典中每个“键”的“值”是一个列表，它们就是那一竖列中的具体填充数据。
# Series：
data_S_date = [pd.Series(i, index=names_str) for i in data_date] # 解析 Series 数据列表。
df_S_d = pd.DataFrame(data_S_date, index=date)
data_S_name = [pd.Series(i, index=date) for i in names] # 解析 Series 数据列表。
df_S_n = pd.DataFrame(data_S_name, index=names_str)
print(f"\n\n{' 二、用 dict、Series 创建 DataFrame 实例。':-^33}\
\n\n{cut_line()}用 Dict 创建 DataFrame 实例：\
\n\ncolumns = date：\n{df_dict_d}\
\n\ncolumns = name：\n{df_dict_n}\
\
{cut_line()}用 Series 创建 DataFrame 实例：\
\n\ncolumns = date\n\n{df_S_n}\
\n\ncolumns = Name\n\n{df_S_d}") # 从上面的例子可以看出，不管是用 dict 还是 Series ，都可以定义出自己喜好的二维数组数据列表，真可谓是“随心所欲”。🤗🤗 columns 的顺序没有规定，就如同字典中键的顺序一样。但是在 DataFrame 中，columns 跟字典键相比，有一个明显不同，就是其顺序可以被规定。
d = data_dict_d # 每日数据字典变量起别名，简短代码语句。
dd = {} # 嵌套字典：{date: {name: 数据}}。
for x, y in zip(date, d): # 生成外层字典键。
tem = {} # 外层字典值，内层字典。
for m,n in zip(names_str, d.get(y)):
tem[m] = n # 内层字典赋值。
dd[x] = tem # 外层字典赋值。
# 定义 DataFrame 的方法，除了上面的之外，还可以使用“字典套字典”的方式。
df = pd.DataFrame(dd) # dict 套 dict 创建 Dataframe 。
print(f"\n\n{' 3、dict 套 dict 创建 Dataframe ':-^37}\
{cut_line()}嵌套字典：\n\n{dd}\
{cut_line()}创建的 Dataframe：\n\n{df}{cut_line()}") # 在字典中就规定好数列名称(第一层键)和每横行索引(第二层字典键)以及对应的数据(第二层字典值)，也就是在字典中规定好了每个数据格子中的数据。
#重置索引
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
tem = df.copy()
tem.index = list('ABCDEF')
print(f"\n\n用{list('ABCDEF')}设置 index：\n\n{tem}")
tem.index = list('abcde') + ['Tom']
print(f"\n\n重置 index 不可以“自动对齐”：\n\n{tem}{cut_line()}")
new_data = {'Anna': 337, 'Tom': 403, 'Rose': 567, 'Liuquan': 453} # 4月14日数据。
# 同时插入行、列
old_names_str = names_str[:] # append() 前names-str 副本。
dd['14日']=new_data # 新数据添加到嵌套字典。
df_new_dict = pd.DataFrame(dd, index=names_str.append('Liuquan'),
columns=list(df.columns).append('14日')) # 用追加新数据的嵌套字典重建 DataFrame ，新的行、列都可以得到保存。
print(f"{cut_line()}原姓名列表：\n\n{old_names_str}\
\n\n在 DataFrame 中 执行 index=names_str.append('Liuquan') 后的 names_str ：\n{names_str}{cut_line()}")
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 追加新数据的嵌套字典新建 DataFrame ':-^29}\n\n{df_new_dict}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}")
# 插入列
new_Series = pd.Series(new_data) # 4月17日数据打包成 Series 。注意：参数只能是列表或一层字典，因为 Series 是一维数组。
df_new_S = df.copy() # DataFrame 对象复制。
df_new_S['14日'] = new_Series # 追加 Series 到 DataFrame 。
print(f"{cut_line()}4月14日数据：\n{new_data}\
\n\n追加后姓名列表：\n{names_str}\
\n\n{' 数据创建 Seroies，字典式赋值追加 ':-^29}\n\n{df_new_S}\
\n\n{' 没有数据填充的单元都是空(NaN)':-^29}{cut_line()}") # 如您所见，Series 追加数据虽然方便快捷，但不可以新增行索引。DataFrame 新建实例确是可以定义多于数据的索引的。这，就需要根据追加的数据选择了。当然，我更喜欢 Series 。
# 追加列
df = df_new_dict.copy() # DataFrame 对象复制。
print(f"{cut_line()}当前 DataFrame：\n\n{df}")
df['15日'] = pd.Series() # 添加空列。
print(f"\n\n{'添加空列':-^37}\n\n{df}")
data_new1 = (389, 452, 422, 309, 433, 398, 409) # 用数组添加列，元素一定匹配列数，不然报错。
df['15日'] = data_new1 # 整列依次赋值(元素须与行数匹配，类型可以是 tuple、list等有序数组)。
print(f"\n\n{'对空列依次赋值':-^34}\n\n数据 = {data_new1}\n\n{df}")
data_new2 = {'Anna': 347, 'Any': 564, 'Liuyi': 389, 'Tom': 422, 'Duo': 402, 'John': 338, 'Rose': 409, 'Liuquan': 309}
df['16日'] = pd.Series(data_new2) # 添加不等行数元素，可以用 dict、Series ，不多于 DataFrame 行数的数据，二者皆可；多于行数就只可以 Series 数据类型添加。DataFrame 会自动对齐索引，不在意数据字典顺序。索引中没有的数据，将被“丢弃”。
print(f"\n\n{'用 Series 添加元素多于行数的数据':-^29}\
\n\n数据 = {data_new2}\n\n{df}")
df.insert(0, '班级', [f'4.{i}班' for i in range(1, 8)])
index_num = list(df.columns).index('16日') + 1
df.insert(index_num, '职务', '学生') # 插入列，赋同一值也可赋不同值(不同值数量一定得与行数匹配)。DataFrame ，添加本来没有的列(字典可以添加本来没有的键）。
print(f"\n\n{' 插入列(colmuns) ':-^34}\n\n{df}")
columns_lis = ['班级'] + [f'{i}日' for i in range(16, 8, -1)]+['职务']
print(f"\n\n{'重置列序':-^37}\n\n列序：\n{columns_lis}\
\n\n{df.loc[:, columns_lis]}{cut_line()}")
# 点对点准赋值
print(f"{cut_line()} Liuquan 4月9日、11日原有数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}\n\n")
df['9日']['Liuquan'] = 453 # 虽然跟loc方法同效，但我的两个 pandas (python3.10.2+pandas1.4.1、python3.6.6+pandas0.23.4)环境都有“警告”。
df['11日']['Liuquan'] = 386
print(f"\n\n补录(修改)后 Liuquan 4月9日、11日数据：\n{df['9日']['Liuquan']}，{df['11日']['Liuquan']}{cut_line()}")
print(f"{cut_line()}原有数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}\n\n{'-'*41}")
df.loc['Liuquan', ['10日']] = 436 # 用loc 方法修改更明了，且静默。
df.loc['Liuquan', ['12日']] = 398
print(f"\n\nLiuquan 4月10日、12日(436, 398)数据补录：\n\n{df}\
\n\n{df[df.index == 'Liuquan']}\
补全(修改)后数据：liuquan ，10日：{df['10日']['Liuquan']}，12日：{df['12日']['Liuquan']}{cut_line()}")
#四、df.loc() 方法的条件筛选。
df.insert(len(df.columns), 'Rank', 'OK') # 插入考评等级列“Rank”。
df_bool = df.isna() # df.isna() 方法判定空值NAN。
for date in [f"{i}日" for i in range(9,17)]:
for name in df.index:
if df_bool[date][name]:
df.loc[name,['Rank']] = 'NG'
elif not df_bool[date][name] and df['Rank'][name]=='OK':
df.loc[name,['Rank']] = 'OK'
print(f"{cut_line()}计算全勤后的列表：\n\n{df}\n\n{'-'*41}\
\n\n4月9日至16日每天坚持跳绳练习的有：\
\n{df.loc[df['Rank']=='OK']}\n{cut_line()}")
# 换一组实验数据来看看 df.loc() 方法的条件筛选。
english = [45, 89, 88, 89]
chinese = [92, 92, 89, 92]
math = [34, 78, 78, 92]
names = ['Rose', 'Jhon', 'Anna', 'Tom']
df = pd.DataFrame({'Chinese': chinese,
'English': english,
'Math': math},
index=names, columns=('Chinese', 'Math', 'English'))
print('数据：')
for i in ('Names', 'Chinese', 'Math', 'English'):
print(f"\n{i}：\n{eval(i.lower())}")
print(f"\n\nDataFrame：\n{df}")
# 分数筛选
print(f"\n\n语文{color(92, 'b_gray', 'f_red')}分的：\n{df.loc[df['Chinese']==92]}\
\n\n英语{color(89, 'f_red', 'b_gray')}分的：\n{df.loc[df['English']==89]}\
\n\n数学{color(78, 'f_red', 'b_gray')}分的：\n{df.loc[df['Math']==78]}")上一篇： 练习：身高出现的频次
下一篇： 聊天消息敏感词屏蔽系统(字符串替换 str.replace(str1, *) )
来源：老齐教室
你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧
我们在微信上24小时期待你的声音
解答本文疑问/技术咨询/运营咨询/技术建议/互联网交流
微信二维码
移动版官网