pandas库的数据类型运算

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/QianYanDai/article/details/78178623

pandas库的数据类型运算

算数运算法则

• 根据行列索引,补齐运算(不同索引不运算,行列索引相同才运算),默认产生浮点数
• 补齐时默认填充NaN空值
• 二维和一维,一维和0维之间采用广播运算(低维元素与每一个高维元素运算)
• 采用 +-*/符号的二元运算会产生新的对象

import pandas as pd
import numpy as np

a = pd.DataFrame(np.arange(12).reshape(3, 4))
a

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11

b = pd.DataFrame(np.arange(20).reshape(4, 5))
b

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
3	15	16	17	18	19

# 维度相同, 行列内元素个数不同的运算, 自动补齐, 缺项NaN
a + b

	0	1	2	3	4
0	0.0	2.0	4.0	6.0	NaN
1	9.0	11.0	13.0	15.0	NaN
2	18.0	20.0	22.0	24.0	NaN
3	NaN	NaN	NaN	NaN	NaN

a * b

	0	1	2	3	4
0	0.0	1.0	4.0	9.0	NaN
1	20.0	30.0	42.0	56.0	NaN
2	80.0	99.0	120.0	143.0	NaN
3	NaN	NaN	NaN	NaN	NaN

除了使用+-*/,也可使用方法形式,好处是可以增加可选参数

• .add(d,**argws) 类型间加法运算,可选参数
• .sub(d,**argws) 类型间减法运算,可选参数
• .mul(d,**argws) 类型间乘法运算,可选参数
• .div(d,**argws) 类型间除法运算,可选参数

b.add(a,fill_value = 100) # 将a和b之间的缺失元素用100补齐并参加与运算

	0	1	2	3	4
0	0.0	2.0	4.0	6.0	104.0
1	9.0	11.0	13.0	15.0	109.0
2	18.0	20.0	22.0	24.0	114.0
3	115.0	116.0	117.0	118.0	119.0

a.mul(b,fill_value = 0)

	0	1	2	3	4
0	0.0	1.0	4.0	9.0	0.0
1	20.0	30.0	42.0	56.0	0.0
2	80.0	99.0	120.0	143.0	0.0
3	0.0	0.0	0.0	0.0	0.0

---

不同维度运算

b = pd.DataFrame(np.arange(20).reshape(4, 5))
b

	0	1	2	3	4
0	0	1	2	3	4
1	5	6	7	8	9
2	10	11	12	13	14
3	15	16	17	18	19

c = pd.Series(np.arange(4))
c

0    0
1    1
2    2
3    3
dtype: int32

c - 10

0   -10
1    -9
2    -8
3    -7
dtype: int32

b - c # b的每一行都与c运算一遍, 二维和一维运算默认在轴1（行）发生

	0	1	2	3	4
0	0.0	0.0	0.0	0.0	NaN
1	5.0	5.0	5.0	5.0	NaN
2	10.0	10.0	10.0	10.0	NaN
3	15.0	15.0	15.0	15.0	NaN

b.sub(c,axis=0) # 指定用 列 参与运算

	0	1	2	3	4
0	0	1	2	3	4
1	4	5	6	7	8
2	8	9	10	11	12
3	12	13	14	15	16

---

比较运算法则

• 比较运算只能比较相同索引的元素,不进行补齐(尺寸不同会报错)
• 二维和一维/一维和零维间为广播运算
• 采用>< >= <= – !=等符号进行的二元运算产生布尔对象

a = pd.DataFrame(np.arange(12).reshape(3, 4))
a

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11

d = pd.DataFrame(np.arange(12, 0, -1).reshape(3, 4))
d

	0	1	2	3
0	12	11	10	9
1	8	7	6	5
2	4	3	2	1

a > d # bool值表

	0	1	2	3
0	False	False	False	False
1	False	False	False	True
2	True	True	True	True

a == d

	0	1	2	3
0	False	False	False	False
1	False	False	True	False
2	False	False	False	False

b = pd.DataFrame(np.arange(12).reshape(3, 4))
c = pd.Series(np.arange(4))

a > c

	0	1	2	3
0	False	False	False	False
1	True	True	True	True
2	True	True	True	True

c > 0

0    False
1     True
2     True
3     True
dtype: bool