pd_api

"""python
map:
作用于Series或Dataframe的一列
apply:
可以作用于行向量
applymap:
方程作用于DataFrame中的每一个元素，可以使用applymap()
"""

这个只会返回组信息

data['ImageId_ClassId'] = data['ImageId_ClassId'].str.extract(".*.jpg.(\d)")

data.loc[data['EncodedPixels'].str.contains("00cdb56a0")]

分组大系列:

dj = data.groupby('ImageId_ClassId')['EncodedPixels'].sum()

data = pd.DataFrame({'price': np.random.randn(1000),
'amount': 100 * np.random.randn(1000)})

等分价格为10个区间

quartiles = pd.cut(data.price, 10)

定义聚合函数

def get_stats(group):
return {'amount': group.sum()}

分组统计

grouped = data.amount.groupby(quartiles)
price_bucket_amount = grouped.apply(get_stats).unstack()

pandas 透视表 pd.pivot_table

index:哪些列作为索引;values:哪些列保留;aggfunc:聚合函数，也可以是字典

table=pd.pivot_table(df,index=["Manager","Rep"],values=["Price"],aggfunc=np.sum)

table.query('Manager == ["Debra Henley"]')

index是重塑的新表的索引名称是什么columns是列名称是什么;values就是生成新列的值应该是多少;就是更改索引列等等

pd.pivot(index=,columns=,values=,)

df["Order_Total"] = df.groupby('order')["ext price"].transform('sum')

df.resample(f'{interval}min').count() # 按每interval分钟统计数量

区间统计
fanwei = list(range(0, 500, 30))
fenzu: pd.Series = pd.cut(da.loc[:, 1], fanwei, right=True) # 关键是cut
pinshu = fenzu.value_counts()