Pandas 是 Python 中非常流行的数据操作和分析库之一。其中,DataFrame 是 Pandas 提供的一个非常有用的数据结构,它类似于 SQL 中的表格,可以存储二维数组、CSV 文件、Excel 表格等数据。在 Pandas 中,有很多方法可以遍历 DataFrame,但是如何在遍历时修改数据呢?本文将探讨这个问题,并提供一些示例代码。
在 Pandas 中,有两种方式可以遍历 DataFrame,分别是使用 for 循环和 iterrows() 方法。下面我们分别介绍一下这两种方式。
使用 for 循环遍历 DataFrame 的方法很简单,只需要像遍历列表一样来遍历 DataFrame 即可。例如:
import pandas as pd
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]})
for index, row in df.iterrows():
print(row['name'], row['age'])
输出结果为:
Alice 25
Bob 30
Charlie 35
在上面的代码中,我们通过 iterrows() 方法来遍历 DataFrame,其中 index 表示索引,row 表示每一行的数据。对于每一行的数据,我们可以通过 row['name'] 或者 row['age'] 来获取其中的某一个值。
iterrows() 方法是 Pandas 中另一种遍历 DataFrame 的方式。它返回一个迭代器,可以通过 for 循环来遍历 DataFrame 中的每一行数据。例如:
import pandas as pd
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]})
for index, row in df.iterrows():
print(row['name'], row['age'])
输出结果为:
Alice 25
Bob 30
Charlie 35
在上面的代码中,我们同样使用了 iterrows() 方法来遍历 DataFrame。其中 index 表示索引,row 表示每一行数据。对于每一行数据,我们同样可以通过 row['name'] 或者 row['age'] 来获取其中的某一个值。
在遍历 DataFrame 的过程中,我们有时候需要对其中的数据进行修改。那么如何在遍历 DataFrame 的同时修改其中的数据呢?下面我们介绍两种方法:使用 at() 方法和使用 loc() 方法。
at() 方法可以用来选择 DataFrame 中的某一个元素,并且可以将其修改为指定的值。例如:
import pandas as pd
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]})
for index, row in df.iterrows():
if row['name'] == 'Alice':
df.at[index, 'age'] = 26
print(df)
输出结果为:
name age
0 Alice 26
1 Bob 30
2 Charlie 35
在上面的代码中,我们使用 for 循环遍历了 DataFrame,并且通过 if 语句来判断当前行的 name 是否为 'Alice'。如果是,我们就使用 at() 方法将该行的 age 修改为 26。
loc() 方法可以用来选取 DataFrame 中的一部分数据,并且可以对其进行修改。例如:
import pandas as pd
df = pd.DataFrame({'name': ['Alice', 'Bob', 'Charlie'], 'age': [25, 30, 35]})
df.loc[df['name'] == 'Alice', 'age'] = 26
print(df)
输出结果为:
name age
0 Alice 26
1 Bob 30
2 Charlie 35
在上面的代码中,我们使用了 loc() 方法来选取 DataFrame 中 name 为 'Alice' 的那一行,并将其中的 age 修改为 26。
在
本文中,我们介绍了 Pandas 中遍历 DataFrame 的两种方式:使用 for 循环和 iterrows() 方法。同时,我们也介绍了两种在遍历时修改 DataFrame 数据的方法:使用 at() 方法和 loc() 方法。
需要注意的是,在遍历 DataFrame 并且修改其中的数据时,我们需要小心地处理索引值和行列标签,以避免出现错误结果。另外,在涉及到大规模数据处理时,尽可能使用向量化方法来进行操作,可以显著提高代码的效率。
总之,Pandas 提供了非常强大的数据操作功能。熟练掌握 DataFrame 的遍历和修改技巧,可以让我们更加高效地完成数据分析和处理任务。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14