[Python] pandas module - DataFrame object

import pandas as pd

 

DataFrame : 2D Array of Indexed Data

df.set_index('Day')

 - Day를 index로 지정

df[ a : b ]

 - lavel 기준, [ a, b ) row table return

df[ a ]

 - label기준, a row information return

df.loc[ a : b ]

 - label 기준, [ a, b ] row table return

df.iloc[ a : b ] 

 - row 순서 기준, [ a, b ) row table return

Add a new row / Delete an existing row

pd.DataFrame(df2, columns = ['Revenue', 'Visitor'])

 - column 순서 변경

Nan으로 이뤄진 new column 생성 / del df2['Debt'] or pd2.drop('Debt', axis = 1)는 column 삭제

 - new column 생성 후 copy & return 필요. row는 필요없는데 column은 필요함. 왜 그런지는 모르겠음..

df.rename(columns = type(dict), index = type(dict)) 

- list도 가능함. dict를 쓰면 1:1 matching해서 변경이 가능

df.iterrows( )

 - index / row를 순차적으로 접근 가능함

df2[df2['Revenue'] > 65].count( )

df2['Revenue'].mean( )

df2.cov( ) , max( ), min( ) ...

df2.describe( ) 

 - 기초통계량

 - numeric data에 대해서만 출력함

 - df2.num_data.describe( ) 처럼 특정 column에 대해서만 출력도 가능함

 - df2.describe( include = 'all' ) : numeric data 외에 다른 값도 확인 가능

 - df2.describe( include = 'category' ) : categorical column  값을 확인 가능

df.count( ) = df.count(axis = 0) = df.count(axis = 'rows')

 - ↓방향으로 count / column 별 계산

df.count(axis = 1) = df.count(axis = 'columns')

 - → 방향으로 count / row 별 계산

df.max( ) = df.max(axis = 0)

 - ↓ 방향으로 max return

 - dtype : object 나오는 경우..? , int64, float64

df.max( ) = df.max(axis = 1)

 - → 방향으로 min return

grouped = df.groupby( 'Column_name' ) , df.groupby( ['column_name1', 'column_name2'] )

 - return 값은 register or 해당 df의 정보임. 실제 값을 return하지 않음.

 - grouped.mean( ) , grouped.sum( ) 등 numeric data 출력으로 통계치 활용가능

 - grouped.get_group(' column data ') 

merge( ) & join( )

 - heterogeneous table들의 결합 (schema가 다른 table들)

 - merge( ) : various optional parameters

 - pd.merge( a_data, b_data, on = 'key' or ['key1', 'key2'] , how = 'inner' or 'outer', indecator = True)

    : on = 'attr' 로 merge함, 없으면 동일 attr. name 기준으로 merge

    : indicator = merge method 알려줌(left_only, right_only, both)

 - join( ) : simpler than merge( )

   : join( )은 merti column merge 지원 안함.

 - a_data.set_index('key').join(b_data.set_index('key')

 - a_data.join(b_data, on = 'key' , how = 'inner' or 'outer')

   : on = a_data의 'key' column기준으로 join, how = default는 index기준 left outer join

 - df.head( n = 5 (default) ) : index 상위 5개 return

concat( ) & append( )

 - homogeneous table들의 결합 (schema가 같은 table들)

 - Nan에 의존해서 heterogeneous에도 concat( ) 사용 가능

 - concat( ) : various Optional Parameters

 - pd.concat( [df1, df2, df3] , axis = 0 (default) , ignore_index = True, keys = ['x', 'y', z'])

   : ignore_index = True : index 재구성 (default = False) )

   : keys = 새로운 index 추가부여, result.loc['y'] 로 filtering가능 /

              dic type으로 넣는것도 가능{'x' : df1, 'y' : df2, 'z' : df3} (pd.concat( add_index ))

 - pd.concat( [df1, pd.DataFrame(dicts)], ignore_index = True, sort = True )

 - append( ) : simpler than concat( )

 - df1.append( [df2, df3] , ignore_index = True )

 - df1.append(dicts, ignore_index = True, sort = True )