默认显示5条数据，head()从头截取，tail()从尾截取。
long_series = pd.Series(np.random.randn(100)) print(long_series.head(3))
0 -1.032864 1 0.769729 2 0.327083 dtype: float64
print(long_series.tail(3))
97 -0.707512 98 0.649685 99 -0.497407 dtype: float642、布尔转换 2、1 any()/all() 2、1、1 Series
对于Series输入，输出是一个标量，表明是否存在任意一个元素为True。
print(pd.Series([True, False]).any())
True2、1、2 Dataframe
2、1、2、1 列
每一列是否至少包含一个True元素。
df = pd.Dataframe({'one': [1, 0], 'two': [0, 0], 'three': [3, 5]}, index=['a', 'b'])
print(df.any(axis='index'))
one True two False three True dtype: bool
2、1、2、2 行
每一行是否至少包含一个True元素。
print(df.any(axis='columns'))
a True b True dtype: bool
2、1、2、3 整个Dataframe
print(df.any(axis=None))
True2、2 empty属性
通过empty属性，可以验证 Pandas 对象是否为空。如果Dataframe仅包含NaN，则仍不认为它为空。
print(df.empty)
False3、统计 3、1 Series 3、1、1 value_counts()
s = pd.Series([20, 9, 6], index=['a', 'b', 'c']) print(s.value_counts())
a 20 b 9 c 6 dtype: int64 20 1 9 1 6 1 dtype: int643、1、2 mode()
s = pd.Series([20, 20, 6], index=['a', 'b', 'c']) print(s.mode())
a 20 b 20 c 6 dtype: int64 0 20 dtype: int643、2 Dataframe 3、2、1 mean()等聚合函数，输出结果比原始数据集小
3、2、1、1 列
df = pd.Dataframe({'one': [1, np.nan], 'two': [6, 0], 'three': [3, 5]}, index=['a', 'b'])
print(df.mean(axis='index', skipna=True))
one 1.0 two 3.0 three 4.0 dtype: float64
3、2、1、2 行
print(df.mean(axis='columns', skipna=True))
a 3.333333 b 2.500000 dtype: float64
可结合函数进行广播操作
print(df-df.mean())
one two three a 0.0 3.0 -1.0 b NaN -3.0 1.0
但要注意，操作时要始终保持轴标签与行/列对齐，不能先行后列或者先列后行。
下图中：先将轴标签与列对齐算出每一行的均值，而后相减时便不能再与列对齐。
print(df.sub((df.mean(1)))) #会报错 print(df.sub(df.mean(1), axis=0)) #正确
one two three a -2.333333 2.666667 -0.333333 b NaN -2.500000 2.5000003、2、2 cumsum()等，输出结果与原始数据集相同大小
轴标签与列对齐
df = pd.Dataframe({'one': [1, 2], 'two': [6, 4], 'three': [3, 5]}, index=['a', 'b'])
print(df.cumsum(axis=1))
one two three a 1 7 10 b 2 6 11
轴标签与行对齐
print(df.cumsum(axis=0))
one two three a 1 6 3 b 3 10 83、2、3 总结 describe()
3、2、3、1 数值型
df = pd.Dataframe({'one': [1, 2], 'two': [6, 4], 'three': [3, 5]}, index=['a', 'b'])
print(df.describe())
one two three count 2.000000 2.000000 2.000000 mean 1.500000 5.000000 4.000000 std 0.707107 1.414214 1.414214 min 1.000000 4.000000 3.000000 25% 1.250000 4.500000 3.500000 50% 1.500000 5.000000 4.000000 75% 1.750000 5.500000 4.500000 max 2.000000 6.000000 5.000000
还可以指定输出结果所包含的分位数
print(df.describe(percentiles=[.05, .25,]))
one two three count 2.000000 2.000000 2.000000 mean 1.500000 5.000000 4.000000 std 0.707107 1.414214 1.414214 min 1.000000 4.000000 3.000000 5% 1.050000 4.100000 3.100000 25% 1.250000 4.500000 3.500000 50% 1.500000 5.000000 4.000000 max 2.000000 6.000000 5.000000
3、2、3、2 非数值型
某一列出现字符，则原有的数值也被当做字符处理。返回值的总数、唯一值数量、出现次数最多的值及出现的次数。
df = pd.Dataframe({'one': ['a', 'c'], 'two': ['f', 'h'], 'three': ['yes', 'no']}, index=['a', 'b'])
print(df.describe())
one two three count 2 2 2 unique 2 2 2 top a f yes freq 1 1 1
3、2、3、3 混合型
某一列全为数值，默认为只显示数值列的统计结果，也可设置参数显示包含或排除的数据类型。
df = pd.Dataframe({'one': [2, 6], 'two': ['f', 'h'], 'three': ['yes', 'no']}, index=['a', 'b'])
print(df.describe())
one count 2.000000 mean 4.000000 std 2.828427 min 2.000000 25% 3.000000 50% 4.000000 75% 5.000000 max 6.000000
print(df.describe(include=['object']))
two three count 2 2 unique 2 2 top f yes freq 1 1
print(df.describe(include='all'))
one two three count 2.000000 2 2 unique NaN 2 2 top NaN f yes freq NaN 1 1 mean 4.000000 NaN NaN std 2.828427 NaN NaN min 2.000000 NaN NaN 25% 3.000000 NaN NaN 50% 4.000000 NaN NaN 75% 5.000000 NaN NaN max 6.000000 NaN NaNmode()
df = pd.Dataframe({'one': [2, 6, 4], 'two': [20, 10, 20], 'three': [4, 8, 8]}, index=['a', 'b', 'c'])
print(df.mode())
one two three 0 2 20.0 8.0 1 4 NaN NaN 2 6 NaN NaN3、2、4 最值索引
最大值索引：idxmax()，最小值索引：idxmin()
df = pd.Dataframe({'one': [2, 6], 'two': [20, 10], 'three': [4, 8]}, index=['a', 'b'])
print(df.idxmin())
print(df.idxmax())
one two three a 2 20 4 b 6 10 8 one a two b three a dtype: object one b two a three b dtype: object
3、
