数据分析工具Pandas（3）：Pandas的对齐运算

数据分析工具Pandas（1）：Pandas的数据结构

数据分析工具Pandas（2）：Pandas的索引操作

数据分析工具Pandas（3）：Pandas的对齐运算

Pandas的对齐运算

是数据清洗的重要过程，可以按索引对齐进行运算，如果没对齐的位置则补NaN，最后也可以填充NaN

Series的对齐运算

1. Series 按行、索引对齐

      s1 = pd.Series(range(10, 20), index = range(10))
      s2 = pd.Series(range(20, 25), index = range(5))
      print('s1: ' )
      print(s1)
      print('')
      print('s2: ')
      print(s2)
  
 

运行结果：

      s1:
      0 10
      1 11
      2 12
      3 13
      4 14
      5 15
      6 16
      7 17
      8 18
      9 19
      dtype: int64
      s2:
      0 20
      1 21
      2 22
      3 23
      4 24
      dtype: int64
  
 

2. Series的对齐运算

      # Series 对齐运算
      s1 + s2
  
 

运行结果：

      0 30.0
      1 32.0
      2 34.0
      3 36.0
      4 38.0
      5 NaN
      6 NaN
      7 NaN
      8 NaN
      9 NaN
      dtype: float64
  
 

DataFrame的对齐运算

1. DataFrame按行、列索引对齐

      df1 = pd.DataFrame(np.ones((2,2)), columns = ['a', 'b'])
      df2 = pd.DataFrame(np.ones((3,3)), columns = ['a', 'b', 'c'])
      print('df1: ')
      print(df1)
      print('')
      print('df2: ')
      print(df2)
  
 

运行结果：

      df1:
      a b
      0  1.0  1.0
      1  1.0  1.0
      df2:
      a b c
      0  1.0  1.0  1.0
      1  1.0  1.0  1.0
      2  1.0  1.0  1.0
  
 

2. DataFrame的对齐运算

      # DataFrame对齐操作
      df1 + df2
  
 

运行结果：

      a b   c
      0  2.0  2.0 NaN
      1  2.0  2.0 NaN
      2  NaN  NaN NaN
  
 

填充未对齐的数据进行运算

1. fill_value

使用add, sub, div, mul的同时，

通过fill_value指定填充值，未对齐的数据将和填充值做运算

      print(s1)
      print(s2)
      s1.add(s2, fill_value = -1)
      print(df1)
      print(df2)
      df1.sub(df2, fill_value = 2.)
  
 

运行结果：

      # print(s1)
      0 10
      1 11
      2 12
      3 13
      4 14
      5 15
      6 16
      7 17
      8 18
      9 19
      dtype: int64
      # print(s2)
      0 20
      1 21
      2 22
      3 23
      4 24
      dtype: int64
      # s1.add(s2, fill_value = -1)
      0 30.0
      1 32.0
      2 34.0
      3 36.0
      4 38.0
      5 14.0
      6 15.0
      7 16.0
      8 17.0
      9 18.0
      dtype: float64
      # print(df1)
      a b
      0  1.0  1.0
      1  1.0  1.0
      # print(df2)
      a b c
      0  1.0  1.0  1.0
      1  1.0  1.0  1.0
      2  1.0  1.0  1.0
      # df1.sub(df2, fill_value = 2.)
      a b c
      0  0.0  0.0  1.0
      1  0.0  0.0  1.0
      2  1.0  1.0  1.0
  
 

参考资料

文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。

原文链接：drugai.blog.csdn.net/article/details/104285978