微信登录

pandas导出数据df.to_excel(filename)Excel文件

+

在此添加单个AI新笔记

置顶帖 - 本帖收集增加的内容

📌置顶收集

置顶帖 - 本帖收集增加的内容

📌置顶收集

pandas教程 - 非常详细版

📚教程资源

pandas教程 - 详细版

📚教程资源

pandas Anaconda安装

🐍环境安装

pandas Jupyter-notebook

💻开发工具

Pandas - 概述、安装、下载

🐼基础入门

pandas数据结构列型Series()

📊数据结构

pandas数据结构表格型DataFrame()

📈表格结构

pandas打印优化设置

📠显示优化

pandas导入数据pd.DataFrame(data)读[]list

📥数据导入

pandas导入数据pd.read_csv()读CSV文件

📁文件读取

pandas导入数据pd.read_table(fname)读定分隔符文本

📄文本解析

pandas导入数据pd.read_excel(filename)读Excel文件

📊表格读取

pandas导入数据pd.read_sql(query, conobject)读sql

🗃️数据库取

pandas导入数据pd.read_json(jsonstr)读json字符串

pandas导入数据pd.read_html(url)解析URL或HTML

🌐网页解析

pandas导入数据pd.read_clipboard()粘贴板获取内容

📋粘贴导入

pandas导入数据pd.read_xml()

pandas创建DataFrame

🆕创建表格

pandas创建空DataFrame、方法流通

📦空表创建

pandas重要概念inplace=True原df修改

🔄原地修改

pandas数据类型int64、float64、bool、datetime64

🔢数据类型

pandas数据类型pd.Timestamp()时间

⏰时间类型

pandas数据类型pd.Timedelta()时长

⏱️时长计算

pandas数据类型print(df.dtypes)查看数据类型

🔍类型查看

pandas重要函数apply(fun)传入方法

⚙️函数应用

pandas转换df["列"].apply()字段是list转多行

🍡列表展开

pandas转换df.explode("要拆的列")字段是list转多行

💥爆炸展开

pandas转换df["列"].apply()字段是dict转成多列

📕字典展开

pandas转换pd.melt()多列转多行

pandas转换pd.pivot()多行转多列

pandas转换多列合并

pandas判断if df.empty:Data Frame 是否为空

❓空值判断

pandas DataFrame信息df.shape[0] [0]行数、[1]列数

📐数量信息

pandas DataFrame信息list(data)全部列名

ℹ️列名获取

pandas DataFrame信息df.info()数据集的数据类型

ℹ️信息概览

pandas DataFrame信息df.describe()描述

📊统计描述

pandas列级df["新列名"] = 0新增列和基础值

pandas列级df[""] = df[""].xx数据截取、数据转换日期

🔄数据转换

pandas列级astype("float64")替换数据类型

🔄类型转换

pandas列级df.set_index("columns")列转索引

🔑索引设置

pandas列级df.reset_index()索引转列

↩️索引转列

pandas列级df.reset_index()索引重置

↩️索引重置

pandas列级df_new = df.rename()列改名

🏷️列重命名

pandas列级df.columns=["a","b"]重命名列名

🏷️列名重设

pandas列级df.drop()删除列

pandas行级df.append(s)增加行

pandas行级df.drop()删除行，清空

pandas内容sort_value()排序

🔢数值排序

pandas内容df.drop_duplicate()去重

🧹数据去重

pandas内容df.dropna()删除所有包含空值的行

🧹空值清理

pandas内容str.replace()替换

🔄字符替换

pandas内容df.where() NaN转换为None

🔄空值转换

pandas内容df.fillna()NaN转换

🧽空值填充

pandas内容python语法判空

❓空值判断

pandas选择数据random_rows = df.sample(3)随机3行

🎲随机抽样

pandas选择数据df[] python切片

🔪切片选择

pandas选择数据df.loc[:,:]行名,列名时间范围

📍标签选择

pandas选择数据df.nlargest()最大最小时间

🔝极值选择

pandas选择数据df.iloc[:,:]行index,列index

🔢位置选择

pandas选择数据df[] df[选择指定列]

pandas选择数据df[][] df[选择指定列][筛选条件]

✅条件列选

pandas选择数据df[df["A"] == "a"]] 列A等于a的数据

✅条件筛选

pandas获得数据值选择后.index[0]

🔍索引获取

pandas for循环较慢不建议用

🔄循环遍历

pandas分组df.groupby(by="A列")分组

👥数据分组

pandas运算df["A"].value_counts()按a列数量统计

🧮频数统计

pandas运算选择后.sum() 求和

🧮求和运算

pandas运算选择后.mean() 平均值

⚖️均值计算

pandas运算df["C"]=df["A"]-df["B"]

pandas运算df.agg()聚合运算

🚀超快运算

pandas修改数据选择数据 = 修改值

✏️数据修改

pandas合并数据df1.append(df2) df2加到df1的尾

📥数据追加

pandas合并数据pd.concat([df1,df2,df3])多表合并

🔗多表连接

pandas合并数据df3=df1.add(df2)加法运算合并

➕加法合并

pandas合并数据df.merge()多功能合并

🤝数据合并

pandas整理df = df[["A","B"]]重排列

pandas整理df.round({})小数点后2位

🔢小数处理

pandas导出数据df. to_dict() dict{}

pandas导出数据df. tolist() list[]

pandas导出数据df.to_csv()CSV文件

pandas导出数据df.to_excel(filename)Excel文件

pandas导出数据df.to_sql()mysql数据库

pandas导出数据df.to_json(filename)Json格式

pandas导出数据df.to_html()HTML

pandas导出数据df.to_xml() XML

pandas导出数据df. to_markdown() markdown

matplotlib - 配置显示图表

matplotlib - plt.subplot(,,) - 行，列，按列第几个

matplotlib - plt.plot(,,) - 显示图表

matplotlib - plt.xlabel(“”) - X/Y轴名字

matplotlib - plt.title(“”) - 标题

matplotlib - plt.legend() - label小图示

提升 - 数据分析方法

pandas导出数据df.to_excel(filename)Excel文件

import numpy as np
import pandas as pd
filepath = "C://Users//谁//Desktop//数据分析.xlsx"
df.to_excel(filepath,float_format="%.5f")
df.to_excel(excel_writer，sheet_name=‘sheet1’，na_rep=’ ’ ，float_format=None，columns=None，header=True，index=True，index_label=None，startrow=0，startcol=0，engine=None，merge_cells=True，encoding=None，inf_rep=‘inf’，verbose=True，freeze_panes=None)
上述方法中常用参数的含义有以下几个：
1. excel_writer：表示读取得文件路径
2. sheet_name：表示工作表的名称，可以接受字符串，默认为“sheet1”
3. na_rep:表示缺失数据，不写默认为空
4. index：表示是否写行索引，默认为True

导出数据到openexcel

data是pandas的dataFrame

from openpyxl.utils.dataframe import dataframe_to_rows
# 类有self
    def wbadd(self, table, data):
        for row in dataframe_to_rows(data, index=False, header=True):
            table.append(row)
        return