pandas 中DataFrame使用：记录抽取，随机抽样，记录合并，字段合并，字段匹配，数据的简单计算
本文测试使用Pandas使用的是Spyder，python3.6版本，已经安装好pandas包。测试数据已放云盘：链接：https://pan.baidu.com/s/1zozpY2BUTIvEJKf238leZg 密码：44zg。如需按照numpy，可以百度搜索如何安装。
1记录抽取
根据一定的条件，对数据进行抽取。使用函数为：dataframe[condition]，其中
condition：过滤条件，返回值为一个DataFrame。常用的条件类型有以下几种。
下图为测试的原始数据：
比较运算：大于（>），小于（<），大于等于，小于等于，不等于，例如：df[df.comments>1000]；
#导包
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data4.csv",sep="|")
newDf=df[df.comments>10000]结果：
范围运算：between(left,right)(需要注意的是可取到边界值)，例如：df[df.comments.between(100,1000)];
#导包
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data4.csv",sep="|")
newDf=df[df.comments.between(1000,5000)]结果：
空值匹配：pandas.isnull(column)，如：df[pandas.isnull(df.title)]；
#导包
import pandas
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data4.csv",sep="|")
newDf=df[pandas.isnull(df.title)]结果：
字符匹配：str.contains(patten,na=Flase)，例如df[df.title.str.contains(‘台电’,na=False)]；
#导包
import pandas
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data4.csv",sep="|")
newDf=df[df.title.str.contains('台电',na=False)]df.title.str.contains('台电',na=False)返回布尔值的一个列。
结果：
逻辑运算：与（&），或（|），取反（not），例如：df[(df.comments>=100)&(df.comments<=200)]，这个表达式与df[df.comments.between(100,200)]等价。
import pandas
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data4.csv",sep="|")
newDf=df[(df.comments>=1000)&(df.comments<=5000)]结果：
2随机抽样
随机从数据中，按照一定的行数或者比例抽取数据，这里使用numpy函数:numpy.random.randint(start,end,num)，其中
start：范围的开始值
end：范围的结束值
number：抽样个数
返回值为：行数的索引值序列
#导包
import pandas
import numpy as np
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data5.csv")
#获取随机值
r=np.random.randint(0,10,3)
#对行进行切片
newDf=df.loc[r,:]结果：
3记录合并
将两个结构相同的数据框，合并成一个数据框。使用合并函数：concat([dataFrame1,dataFrame2,…])，返回值为一个DataFrame。
#导包
import pandas
from pandas import read_csv
df1=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data6.csv")
df2=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data7.csv")
df3=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data8.csv")
newDf=pandas.concat([df1,df2,df3])原始数据集：
合成后数据：
4 字段合并
将同一个数据框中的不同列，进行合并，形成新的列。，返回一个序列。这些序列结构要保持一致。
#导包
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data9.csv",sep=" ",names=['brand','area','num'])
#如果不转为字符型，回对数据进行求和
df=df.astype(str)
tel=df['brand']+df['area']+df['num']原始数据
合并后数据：
5字段匹配
将不同结构的数据框，按照一定的条件进行合并。再python中，我们常用merge(x,y,left_on,right_on)进行匹配，其中
x：第一个数据框
y：第二个数据框
left_on：第一个数据框用于匹配的列
right_on：第二个数据框用于匹配的列
返回值为一个DataFrame
#导包
import pandas;
from pandas import read_csv
items=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data10.csv",sep="|",names=['id','comments','title'])
prices=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data11.csv",sep="|",names=['id','oldPrice','nowPrice'])
itemPrices=pandas.merge(items,prices,left_on='id',right_on='id')数据融合前后对比：
6数据的简单计算
通过对字段进行加减乘除等四则运算，计算出来需要的字段。
#导包
import pandas;
from pandas import read_csv
df=read_csv(r"C:\Users\JackPi\Desktop\pandas\data\data12.csv",sep="|")
df['sum']=df.price*df.num数据计算前后对比