Pandas是Python最主要的数据分析库之一，它提供了大量数据结构和函数，能快速对数据进行处理和分析。

Pandas函数有很多，但在处理和分析数据的过程中，有的函数使用频率会更高一些。本篇就分享10个使用频率非常高的Pandas函数。

assign

assign直接向DataFrame对象添加新的一列，可以创建常数列、指定序列数据以及由已知列通过一定计算产生。

import numpy as np
import pandas as pd
data = {'A':[12,13,14,15],'B':[22,23,24,25]}
df = pd.DataFrame(data)
df
df.assign(C=[1,2,3,4]) #指定序列数据
df.assign(C=df.A+df.B) #根据已知列数据计算

eval

eval执行类似SQL语法中的计算，对已知列执行一定的计算时可用eval完成适用于数据量大的时候，效率会非常高。

import numpy as np
import pandas as pd
data = {'A':[12,13,14,15],'B':[22,23,24,25]}
df = pd.DataFrame(data)
df
df.eval('C=A+B') #根据已知列数据计算
add = pd.Series([1,2,3,4])
df.eval('C=A+@add') #通过@符号使用Python的局部变量，@符号表示其后紧随的是一个变量名称而不是列名称

query

query类似于SQL中where关键字的语法逻辑，按照DataFrame中某列的规则进行过滤操作，可以说是一个使用最频繁的数据筛选函数了。

import numpy as np
import pandas as pd
data = {'A':[12,13,14,15],'B':[22,23,24,25]}
df = pd.DataFrame(data)
df
df.query('A==15') #查询A列数值为5的行
df.query('A<15') #查询A列数值小于5的行

apply

apply函数本身不处理数据，而是作为处理数据的调度器。当我们使用for循环遍历DataFrame或Series，数据量大的话会非常慢。而用apply函数会非常快，它自动根据function遍历每一个数据，然后返回一个数据结构为Series的结果。

import pandas as pd
df = pd.DataFrame({'A':['bob','sos','bob','sos','bob','sos','bob','bob'],
'B':['one','one','two','three','two','two','one','three'],
'C':[3,1,4,1,5,9,2,6],
'D':[1,2,3,4,5,6,7,8]})
grouped = df.groupby('A')
for name,group in grouped: #用for遍历
print(name)
print(group)

d = grouped.apply(lambda x:x.describe()) #用apply函数
print(d)

insert

insert函数可以在指定位置插入一列数据。

import numpy as np
import pandas as pd
data = {'A':[12,13,14,15],'B':[22,23,24,25]}
df = pd.DataFrame(data)
df

add = pd.Series([1, 2, 3, 4])
df.insert(1, 'X', add) #插入列
print(df)

sample

当我们只需要DataFrame中的一部分时，就可以用sample函数从DataFrame中随机选取若干个行或列。

import numpy as np
import pandas as pd
data = {'A':[12,13,14,15],'B':[22,23,24,25]}
df = pd.DataFrame(data)
df
df.sample(2) #随机抽取2行
df.sample(frac=0.8) #随机抽取数据的80%

explode

当DataFrame中某一行其中一个元素包含多个同类型数据时，就可以用explode函数将一行数据展开成多行，只要一行代码，非常方便。

import numpy as np
import pandas as pd
data = {'A':[12,13,14,15],'B':[[21,22],23,24,[25,26,27]]}
df = pd.DataFrame(data)
df

df.explode('B') #将B列中有多个元素的数据拆分成多行

nunique

nunique函数用于计算行或列上唯一值的数量，即去重后计数。这个函数在实际的数据分析中，非常实用。

import numpy as np
import pandas as pd
data = {'name':['A','B','C','D','A','B'],'age':[21,22,23,23,21,22]}
df = pd.DataFrame(data)
df

df.name.nunique() #对name列进行唯一值计数 结果为：4

replace

replace函数是用来替换DataFrame中的值，赋以新的值。

import numpy as np
import pandas as pd
data = {'name':['A','B','C','D','A','B'],'age':[21,22,23,23,21,22]}
df = pd.DataFrame(data)
df

df.replace(['A','B'],['E','F'],inplace=True) #如果没有inplace=True的话，原数据不会改变
df

melt

melt函数是pivot函数的逆转操作函数，用于将宽表变成窄表，即将列名转换为列数据，重构DataFrame。这个操作我们在做数据分析时经常需要用到。

import numpy as np
import pandas as pd
data = {'city':['A','B','C','D'],
'2018data':[22,33,44,55],
'2019data':[12,34,67,89],
'2020data':[80,90,100,110],
'2021data':[120,132,144,178]}
df = pd.DataFrame(data)
df

pd.melt(df,id_vars=['city'],value_vars=['2018data','2019data','2020data','2021data'])

以上所说的10个Pandas函数，你最需要哪一个呢？或者还有其他想要实现的功能，可以评论区说给我听哦，下一次说不定就有相关的干货啦！

码代码不易，帮忙留下一个小反馈吧~~