版权声明：本文为博主原创文章，转载请注明出处 https://blog.csdn.net/weixin_35757704/article/details/89789732
这篇博客总结一些pandas的常用处理方法，直接结合例子，使用时直接复制代码即可，希望能够帮助到大家。
这里面series表示Series类型对象，dataframe表示Dataframe类型对象，使用替换变量名即可。
目录
1 行/列/单元格 选择
1.1 通过索引选择
选择行（2种方法）：
dataframe.loc[行索引]dataframe.loc[[行索引],:]选择列（2种方法）：
dataframe[列索引]dataframe.loc[:,[列索引]]1.2 通过位置选择
（用法与通过下标选择神似）
选择行（2种方法）：
dataframe.iloc[行位置] # 0为第一个dataframe.iloc[[行位置],:]选择列（2种方法）：
dataframe[列位置]dataframe.loc[:,[列位置]]1.3 得到指定区域/单元格
通过行索引+列索引得到指定区域：
dataframe.loc[[行索引],[列索引]] # 可以直接得到单元格的值通过行位置+列位置得到指定区域：
dataframe.iloc[[行位置],[列位置]]当 索引or位置为一个具体的值的时候就会锁定唯一的单元格
2 循环处理数据
2.1 直接循环行
这个方法暴力简单，博主初学的时候经常这样做...
循环Dataframe的每一行：
for index,row in df.iterrows():
# index 为行索引
# row 为Dataframe这一行数据组成的Series类型的对象
# 使用 row['列索引']得到想要的具体值循环Series的每一行：
for row in series:
# row就是每一行的数据2.2 循环Dataframe的每一行/列 apply()
逐行循环：
def sov(x):
# return x[列索引] # 相当于逐行读取Dataframe
dataframe.apply(sov,axis=1)逐列循环：
def sov(x):
# return x[0] # x为每一列构成的Series
dataframe.apply(sov)2.3 循环Series的每一行 map()
def sov(x):
# return x # 对Series每个元素的处理逻辑
dataframe[索引].map(sov)2.4 循环处理每个元素 applymap()
def sov(x):
# return x # 对Dataframe每个元素的处理逻辑
dataframe.applymap(sov)它会先逐列，再逐个地循环执行函数
3 内容筛选
3.1 根据索引删除行/列
删除列：
dataframe.drop([列索引],axis=1,inplace=True) # 直接在原有dataframe上处理，不需要接收返回值删除行：
dataframe.drop([行索引],axis=0,inplace=True) # 直接在原有dataframe上处理，不需要接收返回值3.2 按条件筛选
3.3 特殊筛选方法
3.3.1 去掉重复数据
Series经过处理后，原来series中每个不同的值都只会出现一次。
series.drop_duplicates(inplace=True)Dataframe同样适用这个方法处理数据
dataframe.drop_duplicates(inplace=True)3.3.2 去掉空值
dataframe.dropna(inplace=True)4 索引/数值/类型替换
4.1 转置
dataframe.T4.2 修改行/列索引
修改行索引：
dataframe.index = [新行索引]
# 行索引的总数需要与行数相等
# dataframe.index = list(range(0,dataframe.shape[0])) # 直接得到从0开始递增的下标序列修改列索引：
dataframe.columns = [新的列索引] # 索引总数与列数相等
# 下面的代码可以生成从0开始递增的列索引
#dataframe.columns = list(range(0,dataframe.shape[1]))参考资料：
Pandas选取行，列总结：https://www.jianshu.com/p/32bfb327bf07
DataFrame的apply()、applymap()、map()方法：https://blog.csdn.net/qq_20412595/article/details/81131502