看过来
《pandas 教程》 持续更新中，可作为 pandas 入门进阶课程、pandas 中文手册、用法大全，配有案例讲解和速查手册。提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。查看更新日志。作者开办 Python 数据分析培训，详情 Python 数据分析培训。
|
本教程作者所著新书《Python之光：Python编程入门与实战》（ISBN：9787111729891）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。
|
|
本教程作者所著新书《深入浅出Pandas：利用Python进行数据处理与分析》（ISBN：9787111685456）已由机械工业出版社出版上市，各大电商平台有售，欢迎：查看详情并关注购买。
|
本页收集 pandas 的 api 及简单介绍，以供查阅，更加详细的介绍可参考教程，参数介绍可见官方文档。本文包含了 pandas.xxx、pandas.DataFrame.xxx、pandas.Series.xxx、 pandas.DataFrame.groupby()/pandas.Series.groupby() 等常用的对象属性和方法。
提示
可使用浏览器自带的查询功能进行查询，快捷键一般是 ctr + F，如查询不到，不要将函数名称输全再试。
DataFrame
构造器 Constructor
| api |
介绍 |
| DataFrame([data, index, columns, dtype, copy]) |
生成二维、大小可变、可为异构的表格数据 |
属性和基础数据 Attributes and underlying data
| api |
介绍 |
| DataFrame.index |
DataFrame 的索引（行标签） |
| DataFrame.columns |
DataFrame的列标签 |
| DataFrame.dtypes |
返回DataFrame中的dtype。 |
| DataFrame.info([verbose, buf, max_cols, …]) |
打印 DataFrame 的简要摘要 |
| DataFrame.select_dtypes([include, exclude]) |
根据列 dtypes 返回 DataFrame 列的子集 |
| DataFrame.values |
返回 DataFrame 的 Numpy 表示形式 |
| DataFrame.axes |
返回一个表示 DataFrame 轴的列表 |
| DataFrame.ndim |
返回一个表示轴数/数组维数的整数 |
| DataFrame.size |
返回表示此对象中元素数量的int |
| DataFrame.shape |
返回一个表示 DataFrame 维数的元组 |
| DataFrame.memory_usage（[index，deep]） |
返回每列的内存使用情况（以字节为单位） |
| DataFrame.empty |
指示 DataFrame 是否为空 |
| DataFrame.set_flags(*[, copy, …]) |
返回带有更新标志的新对象 |
转换 Conversion
| api |
介绍 |
| DataFrame.astype(dtype[, copy, errors]) |
将 pandas 对象转换为指定的 dtype dtype |
| DataFrame.convert_dtypes([infer_objects, …]) |
使用支持 pd.NA 的 dtypes 将列转换为最佳可能的 dtypes |
| DataFrame.infer_objects() |
尝试为对象列推断更好的 dtype |
| DataFrame.copy([deep]) |
复制该对象的索引和数据 |
| DataFrame.bool() |
返回单个元素 Series 或 DataFrame 的布尔值 |
索引/迭代 Indexing, iteration
| api |
介绍 |
| DataFrame.head([n]) |
返回前 n 行 |
| DataFrame.at |
访问行/列标签对的单个值 |
| DataFrame.iat |
通过整数位置访问行/列对的单个值 |
| DataFrame.loc |
通过标签或布尔数组访问一组行和列 |
| DataFrame.iloc |
基于位置的纯基于整数位置的索引 |
| DataFrame.insert(loc, column, value[, …]) |
将列插入到DataFrame中的指定位置 |
DataFrame.__iter__() |
遍历轴信息 |
| DataFrame.items() |
遍历（列名，序列）对 |
| DataFrame.iteritems() |
遍历（列名，序列）对 |
| DataFrame.keys() |
获取轴信息 |
| DataFrame.iterrows() |
将 DataFrame 行作为（索引，系列）对迭代 |
| DataFrame.itertuples([index, name]) |
将 DataFrame 行迭代为 namedtuple |
| DataFrame.lookup(row_labels, col_labels) |
DataFrame 基于标签的“花式索引”（fancy indexing）功能 |
| DataFrame.pop(item) |
删除并返回删除的内容 |
| DataFrame.tail([n]) |
返回最后 n 行 |
| DataFrame.xs(key[, axis, level, drop_level]) |
从 Series/DataFrame 返回横截面。 |
| DataFrame.get(key[, default]) |
从对象获取给定键的项目 |
| DataFrame.isin(values) |
DataFrame 中的每个元素是否包含在值中 |
| DataFrame.where(cond[, other, inplace, …]) |
替换条件为 False 的值 |
| DataFrame.mask(cond[, other, inplace, axis, …]) |
替换条件为 True 的值 |
| DataFrame.query(expr[, inplace]) |
使用布尔表达式字符查询 DataFrame 的列 |
更新关于 .at, .iat, .loc, 和 .iloc 的用法, 可以阅读教程： Pandas 数据查询 。
计算 (二元运算) Binary operator functions
| api |
介绍 |
| DataFrame.add(other[, axis, level, fill_value]) |
加法 Addition（二元运算 radd）dataframe + other，下同 |
| DataFrame.sub(other[, axis, level, fill_value]) |
减法 Subtraction (二元运算 sub)，d - o |
| DataFrame.mul(other[, axis, level, fill_value]) |
乘法 Multiplication (二元运算 mul) ，d * o |
| DataFrame.div(other[, axis, level, fill_value]) |
浮点除 Floating division (二元运算 truediv)，d / o |
| DataFrame.truediv(other[, axis, level, …]) |
浮点除 Floating division (二元运算 truediv)，d / o |
| DataFrame.floordiv(other[, axis, level, …]) |
整除 Integer division (二元运算 floordiv)，d // o |
| DataFrame.mod(other[, axis, level, fill_value]) |
模数 Modulo (二元运算 mod)，d % o |
| DataFrame.pow(other[, axis, level, fill_value]) |
指数幂 Exponential power (二元运算 pow) ，d ** o |
| DataFrame.dot(other) |
矩阵乘法 matrix multiplication，d @ o（py 3.5+） |
| DataFrame.radd(other[, axis, level, fill_value]) |
加法 Addition，o + d，与上顺序相反（二元运算 radd） |
| DataFrame.rsub(other[, axis, level, fill_value]) |
(binary operator rsub). |
| DataFrame.rmul(other[, axis, level, fill_value]) |
(binary operator rmul). |
| DataFrame.rdiv(other[, axis, level, fill_value]) |
(binary operator rtruediv). |
| DataFrame.rtruediv(other[, axis, level, …]) |
(binary operator rtruediv). |
| DataFrame.rfloordiv(other[, axis, level, …]) |
(binary operator rfloordiv). |
| DataFrame.rmod(other[, axis, level, fill_value]) |
(binary operator rmod). |
| DataFrame.rpow(other[, axis, level, fill_value]) |
(binary operator rpow). |
| DataFrame.lt(other[, axis, level]) |
小于 Less than (二元运算 lt) ，d < o，对应位置的布尔值，下同 |
| DataFrame.gt(other[, axis, level]) |
大于 Greater (二元运算 gt)，d > o |
| DataFrame.le(other[, axis, level]) |
小于等于 Less than or equal to，(二元运算 le)，d <= o |
| DataFrame.ge(other[, axis, level]) |
大于等于 Greater than or equal to， (二元运算 ge)，d >= o |
| DataFrame.ne(other[, axis, level]) |
不等于 Not equal to，(二元运算 ne)，d != o |
| DataFrame.eq(other[, axis, level]) |
等于 Equal to， (二元运算 eq)，，d == o |
| DataFrame.combine(other, func[, fill_value, …]) |
与另一个 DataFrame 按列合并 |
| DataFrame.combine_first(other) |
在其他位置相同的位置更新具有值的空元素 |
函数应用/GroupBy/窗口 Function application, GroupBy & window
| api |
介绍 |
| DataFrame.apply(func[, axis, raw, …]) |
沿 DataFrame 的轴应用函数 |
| DataFrame.applymap(func) |
将一个函数应用于所有元素 |
DataFrame.pipe(func, *args, **kwargs) |
应用 func(self, *args, **kwargs) |
| DataFrame.agg([func, axis]) |
使用指定轴上的一项或多项操作进行汇总 |
| DataFrame.aggregate([func, axis]) |
DataFrame.agg 的全写 |
| DataFrame.transform(func[, axis]) |
调用 func 产生具有相同结构 DataFrame |
| DataFrame.groupby([by, axis, level, …]) |
使用映射器或按一列对 DataFrame 进行分组 |
| DataFrame.rolling(window[, min_periods, …]) |
提供滚动窗口计算 |
| DataFrame.expanding([min_periods, center, axis]) |
提供扩展的转换 |
| DataFrame.ewm([com, span, halflife, alpha, …]) |
提供指数加权（EW）函数 |
计算/描述性统计 Computations / descriptive stats
| api |
介绍 |
| DataFrame.abs() |
每个元素的绝对数值 |
| DataFrame.all([axis, bool_only, skipna, level]) |
返回是否所有元素都为 True（可沿着某个轴） |
| DataFrame.any([axis, bool_only, skipna, level]) |
返回是否有任何元素为 True（可沿着某个轴） |
| DataFrame.clip([lower, upper, axis, inplace]) |
按给定上下限值进行修剪（超出范围的采用此值） |
| DataFrame.corr([method, min_periods]) |
计算列的相关性，不包括NA/空值 |
| DataFrame.corrwith(other[, axis, drop, method]) |
计算与其他 DataFrame/Series 相关性 |
| DataFrame.count([axis, level, numeric_only]) |
对每列或每行的非NA单元格进行计数 |
| DataFrame.cov([min_periods, ddof]) |
计算列的成对协方差，不包括NA/null值 |
| DataFrame.cummax([axis, skipna]) |
返回数据帧或序列轴上的累积最大值 |
| DataFrame.cummin([axis, skipna]) |
返回数据帧或序列轴上的累计最小值 |
| DataFrame.cumprod([axis, skipna]) |
返回数据帧或序列轴上的累积乘积 |
| DataFrame.cumsum([axis, skipna]) |
返回数据帧或序列轴上的累积和 |
| DataFrame.describe([percentiles, include, …]) |
生成描述性统计 |
| DataFrame.diff([periods, axis]) |
元素的第一离散差分 |
| DataFrame.eval(expr[, inplace]) |
计算描述对数据帧列的操作的字符串 |
| DataFrame.kurt([axis, skipna, level, …]) |
返回请求轴上的无偏峰度 |
| DataFrame.kurtosis([axis, skipna, level, …]) |
返回请求轴上的无偏峰度 |
| DataFrame.mad([axis, skipna, level]) |
返回所请求轴的值的平均绝对偏差 |
| DataFrame.max([axis, skipna, level, …]) |
返回请求轴的最大值 |
| DataFrame.mean([axis, skipna, level, …]) |
返回请求轴的平均值 |
| DataFrame.median([axis, skipna, level, …]) |
返回所请求轴的值的中位数 |
| DataFrame.min([axis, skipna, level, …]) |
返回请求轴的最小值 |
| DataFrame.mode([axis, numeric_only, dropna]) |
沿选定轴获取元素的模 |
| DataFrame.pct_change([periods, fill_method, …]) |
当前元素和前一元素之间的百分比变化 |
| DataFrame.prod([axis, skipna, level, …]) |
返回所请求轴的值的乘积 |
| DataFrame.product([axis, skipna, level, …]) |
返回所请求轴的值的乘积 |
| DataFrame.quantile([q, axis, numeric_only, …]) |
返回请求轴上给定分位数处的值 |
| DataFrame.rank([axis, method, numeric_only, …]) |
沿轴计算数值数据列（1到n） |
| DataFrame.round([decimals]) |
将数据帧舍入到可变的小数位数 |
| DataFrame.sem([axis, skipna, level, ddof, …]) |
返回请求轴上平均值的无偏标准误差 |
| DataFrame.skew([axis, skipna, level, …]) |
返回请求轴上的无偏倾斜 |
| DataFrame.sum([axis, skipna, level, …]) |
返回请求轴上的无偏倾斜 |
| DataFrame.std([axis, skipna, level, ddof, …]) |
返回请求轴上的样本标准偏差 |
| DataFrame.var([axis, skipna, level, ddof, …]) |
返回请求轴上的无偏方差 |
| DataFrame.nunique([axis, dropna]) |
计算请求轴上的不同观察值 |
| DataFrame.value_counts([subset, normalize, …]) |
返回数据帧中包含唯一行计数的序列 |
重新索引/选择/标签操作 Reindexing / selection / label manipulation
| api |
介绍 |
| DataFrame.add_prefix(prefix) |
标签前缀增加字符串 |
| DataFrame.add_suffix(suffix) |
带字符串后缀的后缀标签 |
| DataFrame.align(other[, join, axis, level, …]) |
使用指定的连接方法在轴上对齐两个对象 |
| DataFrame.at_time(time[, asof, axis]) |
选择一天中特定时间的值 (如 9:30AM) |
| DataFrame.between_time(start_time, end_time) |
选择一天中特定时间之间的值 (如 9:00-9:30 AM) |
| DataFrame.drop([labels, axis, index, …]) |
从行或列中删除指定的标签 |
| DataFrame.drop_duplicates([subset, keep, …]) |
返回删除重复行的数据帧 |
| DataFrame.duplicated([subset, keep]) |
返回表示重复行的布尔序列 |
| DataFrame.equals(other) |
返回表示重复行的布尔序列 |
| DataFrame.filter([items, like, regex, axis]) |
根据指定的索引标签对数据帧行或列进行子集化 |
| DataFrame.first(offset) |
基于日期偏移选择时间序列数据的初始时段 |
| DataFrame.head([n]) |
返回前n行 |
| DataFrame.idxmax([axis, skipna]) |
返回请求轴上第一次出现的最大值的索引 |
| DataFrame.idxmin([axis, skipna]) |
在请求的轴上第一次出现最小值的返回索引 |
| DataFrame.last(offset) |
基于日期偏移选择时间序列数据的最后时段 |
| DataFrame.reindex([labels, index, columns, …]) |
使用可选填充逻辑使序列/数据帧与新索引一致 |
| DataFrame.reindex_like(other[, method, …]) |
与其他对象一样返回具有匹配索引的对象 |
| DataFrame.rename([mapper, index, columns, …]) |
更改轴标签 |
| DataFrame.rename_axis([mapper, index, …]) |
设置索引或列的轴的名称 |
| DataFrame.reset_index([level, drop, …]) |
重置索引或其级别 |
| DataFrame.sample([n, frac, replace, …]) |
从对象轴返回项目的随机样本 |
| DataFrame.set_axis(labels[, axis, inplace]) |
将所需索引指定给给定轴 |
| DataFrame.set_index(keys[, drop, append, …]) |
使用现有列设置数据帧索引 |
| DataFrame.tail([n]) |
返回最后n行 |
| DataFrame.take(indices[, axis, is_copy]) |
沿轴返回给定位置索引中的元素 |
| DataFrame.truncate([before, after, axis, copy]) |
在某个索引值前后截断序列或数据帧 |
缺失数据处理 Missing data handling
| api |
介绍 |
| DataFrame.backfill([axis, inplace, limit, …]) |
同 DataFrame.fillna() 参数 method='bfill'. |
| DataFrame.bfill([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 参数 method='bfill'. |
| DataFrame.dropna([axis, how, thresh, …]) |
删除缺少的值 |
| DataFrame.ffill([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 参数 method='ffill'. |
| DataFrame.fillna([value, method, axis, …]) |
使用指定的方法填充NA/NaN值 |
| DataFrame.interpolate([method, axis, limit, …]) |
插值，对于多索引的DataFrame/Series，只支持method='linear' |
| DataFrame.isna() |
检测缺失值 |
| DataFrame.isnull() |
检测缺失值 |
| DataFrame.notna() |
检测现有（非缺失）值 |
| DataFrame.notnull() |
检测现有（非缺失）值 |
| DataFrame.pad([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 参数 method='ffill' |
| DataFrame.replace([to_replace, value, …]) |
替换值 |
整形/分类/换位 Reshaping, sorting, transposing
| api |
介绍 |
| DataFrame.droplevel(level[, axis]) |
返回已删除请求的索引/列级别的数据帧 |
| DataFrame.pivot([index, columns, values]) |
返回由给定索引/列值组织的重塑数据帧 |
| DataFrame.pivot_table([values, index, …]) |
将电子表格样式的数据透视表创建为数据框 |
| DataFrame.reorder_levels(order[, axis]) |
使用输入顺序重新排列索引级别 |
| DataFrame.sort_values(by[, axis, ascending, …]) |
按任一轴上的值排序 |
| DataFrame.sort_index([axis, level, …]) |
按标签对对象排序（沿轴） |
| DataFrame.nlargest(n, columns[, keep]) |
返回按列降序排列的前n行 |
| DataFrame.nsmallest(n, columns[, keep]) |
按列升序返回前n行 |
| DataFrame.swaplevel([i, j, axis]) |
交换特定轴上多索引中的i和j级 |
| DataFrame.stack([level, dropna]) |
将指定的级别从列堆叠到索引 |
| DataFrame.unstack([level, fill_value]) |
将指定的级别从列堆叠到索引 |
| DataFrame.swapaxes(axis1, axis2[, copy]) |
适当地交换轴和交换值轴 |
| DataFrame.melt([id_vars, value_vars, …]) |
将数据帧从宽格式解压为长格式，可以选择保留标识符集 |
| DataFrame.explode(column[, ignore_index]) |
将列表中的每个元素转换为一行，复制索引值 |
| DataFrame.squeeze([axis]) |
将一维轴对象挤压成标量 |
| DataFrame.to_xarray() |
从pandas对象返回xarray对象 |
| DataFrame.T |
转置，同 DataFrame.transpose |
| DataFrame.transpose(*args[, copy]) |
转置索引和列 |
合并/比较/加入/合并 Combining / comparing / joining / merging
| api |
介绍 |
| DataFrame.append(other[, ignore_index, …]) |
将其他行追加到调用者的末尾，返回一个新对象 |
| DataFrame.assign(**kwargs) |
为数据帧分配新列 |
| DataFrame.compare(other[, align_axis, …]) |
与另一个数据帧进行比较并显示差异 |
| DataFrame.join(other[, on, how, lsuffix, …]) |
连接另一个数据帧的列 |
| DataFrame.merge(right[, how, on, left_on, …]) |
将DataFrame或命名系列对象与数据库样式联接合并 |
| DataFrame.update(other[, join, overwrite, …]) |
使用其他数据帧中的非NA值就地修改 |
| api |
介绍 |
| DataFrame.asfreq(freq[, method, how, …]) |
将时间序列转换为指定频率 |
| DataFrame.asof(where[, subset]) |
返回where之前的最后一行，不带任何nan |
| DataFrame.shift([periods, freq, axis, …]) |
用一个可选的时间频率按所需的周期数移动索引 |
| DataFrame.slice_shift([periods, axis]) |
相当于移位而不复制数据 |
| DataFrame.tshift([periods, freq, axis]) |
（已弃用）使用索引的频率（如果可用）移动时间索引 |
| DataFrame.first_valid_index() |
返回第一个非NA/null值的索引 |
| DataFrame.last_valid_index() |
返回最后一个非NA/null值的索引 |
| DataFrame.resample(rule[, axis, closed, …]) |
重新采样时间序列数据 |
| DataFrame.to_period([freq, axis, copy]) |
将数据帧从DatetimeIndex转换为PeriodIndex |
| DataFrame.to_timestamp([freq, how, axis, copy]) |
转换为时间戳的DatetimeIndex，在时段开始处 |
| DataFrame.tz_convert(tz[, axis, level, copy]) |
将时间轴转换为目标时区 |
| DataFrame.tz_localize(tz[, axis, level, …]) |
将序列或数据帧的原始索引本地化为目标时区 |
DataFrame.attrs 是用于存储此数据帧的全局元数据的字典。
Warning: 数据帧.attrs被认为是实验性的，可能会毫无征兆地改变。
| api |
介绍 |
| DataFrame.attrs |
此对象的全局属性字典 |
绘图 Plotting
DataFrame.plot 是窗体的特定打印方法的可调用方法和命名空间属性 DataFrame.plot..
| api |
介绍 |
| DataFrame.plot([x, y, kind, ax, ….]) |
数据帧绘制存取器及方法 |
| DataFrame.plot.area([x, y]) |
绘制堆积面积图 |
| DataFrame.plot.bar([x, y]) |
垂直条形图 |
| DataFrame.plot.barh([x, y]) |
做一个水平条形图 |
| DataFrame.plot.box([by]) |
绘制数据框列的箱形图 |
| DataFrame.plot.density([bw_method, ind]) |
使用高斯核生成核密度估计图 |
| DataFrame.plot.hexbin(x, y[, C, …]) |
生成六边形箱形图 |
| DataFrame.plot.hist([by, bins]) |
绘制数据帧列的直方图 |
| DataFrame.plot.kde([bw_method, ind]) |
使用高斯核生成核密度估计图 |
| DataFrame.plot.line([x, y]) |
将序列或数据帧绘制为线 |
| DataFrame.plot.pie(**kwargs) |
生成饼图 |
| DataFrame.plot.scatter(x, y[, s, c]) |
创建具有不同标记点大小和颜色的散点图 |
| DataFrame.boxplot([column, by, ax, …]) |
从DataFrame列生成箱线图 |
| DataFrame.hist([column, by, grid, …]) |
制作数据帧的直方图 |
稀疏存取器 Sparse accessor
特定于稀疏数据类型的方法和属性在 DataFrame.sparse。
| api |
介绍 |
| DataFrame.sparse.density |
非稀疏点与总（密集）数据点的比率 |
| DataFrame.sparse.from_spmatrix(data[, …]) |
从一个scipy稀疏矩阵创建一个新的数据帧 |
| DataFrame.sparse.to_coo() |
以稀疏SciPy COO矩阵的形式返回帧的内容 |
| DataFrame.sparse.to_dense() |
将具有稀疏值的数据帧转换为密集值 |
序列化/IO/转换 Serialization / IO / conversion
| api |
介绍 |
| DataFrame.from_dict(data[, orient, dtype, …]) |
从数组的dict构造数据帧 |
| DataFrame.from_records(data[, index, …]) |
将结构化或记录数组转换为数据帧 |
| DataFrame.to_parquet(path[, engine, …]) |
将数据帧写入二进制parquet格式 |
| DataFrame.to_pickle(path[, compression, …]) |
Pickle（序列化）对象到文件 |
| DataFrame.to_csv([path_or_buf, sep, na_rep, …]) |
将对象写入逗号分隔值（csv）文件 |
| DataFrame.to_hdf(path_or_buf, key[, mode, …]) |
使用HDFStore将包含的数据写入HDF5文件 |
| DataFrame.to_sql(name, con[, schema, …]) |
将数据帧中存储的记录写入SQL数据库 |
| DataFrame.to_dict([orient, into]) |
将数据帧转换为字典 |
| DataFrame.to_excel(excel_writer[, …]) |
将对象写入Excel工作表 |
| DataFrame.to_json([path_or_buf, orient, …]) |
将对象转换为JSON字符串 |
| DataFrame.to_html([buf, columns, col_space, …]) |
将数据帧呈现为HTML表 |
| DataFrame.to_feather(path, **kwargs) |
将数据帧写入二进制羽化格式 |
| DataFrame.to_latex([buf, columns, …]) |
将对象渲染为LaTeX表格、长表格或嵌套 table/tabular |
| DataFrame.to_stata(path[, convert_dates, …]) |
将DataFrame对象导出为Stata dta格式 |
| DataFrame.to_gbq(destination_table[, …]) |
将数据帧写入google big query表 |
| DataFrame.to_records([index, column_dtypes, …]) |
将数据帧转换为NumPy记录数组 |
| DataFrame.to_string([buf, columns, …]) |
将数据帧呈现为控制台友好的表格输出 |
| DataFrame.to_clipboard([excel, sep]) |
将对象复制到系统剪贴板 |
| DataFrame.to_markdown([buf, mode, index]) |
以便于标记的格式打印数据帧 |
| DataFrame.style |
返回样式器对象 |
Series
构造器 Constructor
| api |
介绍 |
| Series([data, index, dtype, name, copy, …]) |
生成具有轴标签（可以是时间序列）的一维序列 |
属性 Attributes
| api |
介绍 |
| Series.index |
系列的索引（轴标签） |
| Series.array |
序列的 PandasArray 格式数据 |
| Series.values |
根据 dtype 将 Series 返回为 ndarray 或类似 ndarray |
| Series.dtype |
返回基础数据的dtype对象 |
| Series.shape |
返回基础数据形状的元组 |
| Series.nbytes |
返回基础数据中的字节数 |
| Series.ndim |
根据定义，基础数据的维数为1 |
| Series.size |
返回基础数据中的元素数 |
| Series.T |
返回转置，为了兼容，值为自我 |
| Series.memory_usage([index, deep]) |
返回序列的内存使用情况 |
| Series.hasnans |
返回如果我有任何空值 |
| Series.empty |
指示数据帧是否为空 |
| Series.dtypes |
返回基础数据的dtype对象 |
| Series.name |
返回序列的名称 |
| Series.flags |
获取对象关联的属性 |
| Series.set_flags(*[, copy, …]) |
返回带有更新标志的新对象 |
转换 Conversion
| api |
介绍 |
| Series.astype(dtype[, copy, errors]) |
将对象强制转换为指定的数据类型 |
| Series.convert_dtypes([infer_objects, …]) |
使用数据类型将列转换为最佳数据类型，支持 pd.NA. |
| Series.infer_objects() |
尝试为对象列推断更好的数据类型 |
| Series.copy([deep]) |
复制此对象的索引和数据 |
| Series.bool() |
返回单个元素序列或数据帧的布尔值 |
| Series.to_numpy([dtype, copy, na_value]) |
返回单个元素序列或数据帧的布尔值 |
| Series.to_period([freq, copy]) |
将序列从DatetimeIndex转换为PeriodIndex |
| Series.to_timestamp([freq, how, copy]) |
转换为时间戳的DatetimeIndex，在时段开始处 |
| Series.to_list() |
返回值的列表 |
Series.__array__([dtype]) |
以NumPy数组的形式返回值 |
索引和迭代 Indexing, iteration
| api |
介绍 |
| Series.get(key[, default]) |
从给定键的对象获取项（例如：DataFrame列） |
| Series.at |
访问行/列标签对的单个值 |
| Series.iat |
按整数位置访问行/列对的单个值 |
| Series.loc |
按标签或布尔数组访问一组行和列 |
| Series.iloc |
纯整数位置为基础的位置选择索引 |
Series.__iter__() |
返回值的迭代器 |
| Series.items() |
惰性迭代（索引，值）元组 |
| Series.iteritems() |
惰性迭代（索引，值）元组 |
| Series.keys() |
返回索引的别名 |
| Series.pop(item) |
返回项目并从系列中删除 |
| Series.item() |
以python标量形式返回基础数据的第一个元素 |
| Series.xs(key[, axis, level, drop_level]) |
从序列/数据帧返回横截面 |
关于 .at, .iat, .loc, 和 .iloc, 可以阅读教程.
运算符功能 Binary operator functions
| api |
介绍 |
| Series.add(other[, level, fill_value, axis]) |
返回序列和其他元素的加法（二进制运算符加法） |
| Series.sub(other[, level, fill_value, axis]) |
返回序列和其他元素的减法（二进制运算符sub） |
| Series.mul(other[, level, fill_value, axis]) |
按元素返回级数和其它数的乘法（二进制运算符mul） |
| Series.div(other[, level, fill_value, axis]) |
返回序列和其他元素的浮点除法（二进制运算符truediv） |
| Series.truediv(other[, level, fill_value, axis]) |
返回序列和其他元素的浮点除法（二进制运算符truediv） |
| Series.floordiv(other[, level, fill_value, axis]) |
返回序列和其他元素的整数除法（二进制运算符floordiv） |
| Series.mod(other[, level, fill_value, axis]) |
返回系列和其他元素的模（二进制运算符mod） |
| Series.pow(other[, level, fill_value, axis]) |
返回序列和其他元素的指数幂（二进制运算符pow） |
| Series.radd(other[, level, fill_value, axis]) |
返回序列和其他元素的加法（二进制运算符radd） |
| Series.rsub(other[, level, fill_value, axis]) |
返回序列和其他元素的减法（二进制运算符rsub） |
| Series.rmul(other[, level, fill_value, axis]) |
按元素返回级数和其它数的乘法（二进制运算符rmul） |
| Series.rdiv(other[, level, fill_value, axis]) |
返回序列和其他元素的浮点除法（二进制运算符rtruediv） |
| Series.rtruediv(other[, level, fill_value, axis]) |
返回序列和其他元素的浮点除法（二进制运算符rtruediv） |
| Series.rfloordiv(other[, level, fill_value, …]) |
返回序列和其他元素的整数除法（二进制运算符rfloordiv） |
| Series.rmod(other[, level, fill_value, axis]) |
返回系列和其他元素的模（二进制运算符rmod） |
| Series.rpow(other[, level, fill_value, axis]) |
返回序列和其他元素的指数幂（二进制运算符rpow） |
| Series.combine(other, func[, fill_value]) |
根据func将级数与级数或标量组合 |
| Series.combine_first(other) |
组合序列值，首先选择调用序列的值 |
| Series.round([decimals]) |
将序列中的每个值四舍五入到给定的小数位数 |
| Series.lt(other[, level, fill_value, axis]) |
返回小于系列和其他元素的元素（二进制运算符lt） |
| Series.gt(other[, level, fill_value, axis]) |
返回大于系列和其他元素的值（二进制运算符gt） |
| Series.le(other[, level, fill_value, axis]) |
返回小于或等于系列和其他元素的值（二进制运算符le） |
| Series.ge(other[, level, fill_value, axis]) |
返回大于或等于系列和其他元素的值（二进制运算符ge） |
| Series.ne(other[, level, fill_value, axis]) |
返回不等于系列和其他元素的整数（二进制运算符ne） |
| Series.eq(other[, level, fill_value, axis]) |
返回等于系列和其他元素的整数（二进制运算符eq） |
| Series.product([axis, skipna, level, …]) |
返回所请求轴的值的乘积 |
| Series.dot(other) |
计算序列和其他列之间的点积 |
函数应用，分组和窗口计算 Function application, GroupBy & window
| api |
介绍 |
| Series.apply(func[, convert_dtype, args]) |
对序列值调用函数 |
| Series.agg([func, axis]) |
在指定轴上使用一个或多个操作进行聚合 |
| Series.aggregate([func, axis]) |
在指定轴上使用一个或多个操作进行聚合 |
| Series.transform(func[, axis]) |
调用func生成一个具有转换值的序列 |
| Series.map(arg[, na_action]) |
根据输入对应关系映射系列值 |
| Series.groupby([by, axis, level, as_index, …]) |
使用映射器或按一系列列对序列进行分组 |
| Series.rolling(window[, min_periods, …]) |
提供滚动窗口计算 |
| Series.expanding([min_periods, center, axis]) |
提供扩展转换 |
| Series.ewm([com, span, halflife, alpha, …]) |
提供指数加权（EW）函数 |
| Series.pipe(func, args, *kwargs) |
支持 func(self, args, *kwargs). |
计算/描述性统计 Computations / descriptive stats
| api |
介绍 |
| Series.abs() |
返回带有每个元素绝对数值的序列/数据帧 |
| Series.all([axis, bool_only, skipna, level]) |
返回是否所有元素都为真，可能在一个轴上 |
| Series.any([axis, bool_only, skipna, level]) |
返回任何元素是否为真，可能在轴上 |
| Series.autocorr([lag]) |
计算lag-N自相关 |
| Series.between(left, right[, inclusive]) |
返回等价于left<=Series<=right的布尔级数 |
| Series.clip([lower, upper, axis, inplace]) |
输入阈值处的微调值 |
| Series.corr(other[, method, min_periods]) |
计算与其他序列的相关性，不包括缺失值 |
| Series.count([level]) |
返回序列中非NA/null观测值的数目 |
| Series.cov(other[, min_periods, ddof]) |
计算序列的协方差，不包括缺失值 |
| Series.cummax([axis, skipna]) |
返回数据帧或序列轴上的累积最大值 |
| Series.cummin([axis, skipna]) |
返回数据帧或序列轴上的累计最小值 |
| Series.cumprod([axis, skipna]) |
返回数据帧或序列轴上的累积乘积 |
| Series.cumsum([axis, skipna]) |
返回数据帧或序列轴上的累积和 |
| Series.describe([percentiles, include, …]) |
生成描述性统计 |
| Series.diff([periods]) |
元素的第一离散差分 |
| Series.factorize([sort, na_sentinel]) |
将对象编码为枚举类型或分类变量 |
| Series.kurt([axis, skipna, level, numeric_only]) |
返回请求轴上的无偏峰度 |
| Series.mad([axis, skipna, level]) |
返回请求轴值的平均绝对偏差 |
| Series.max([axis, skipna, level, numeric_only]) |
返回请求轴的最大值 |
| Series.mean([axis, skipna, level, numeric_only]) |
返回所请求轴的平均值 |
| Series.median([axis, skipna, level, …]) |
返回所请求轴的中位数 |
| Series.min([axis, skipna, level, numeric_only]) |
返回请求轴的最小值 |
| Series.mode([dropna]) |
返回数据集的模式 |
| Series.nlargest([n, keep]) |
返回最大的n个元素 |
| Series.nsmallest([n, keep]) |
返回最大的n个元素 |
| Series.pct_change([periods, fill_method, …]) |
当前元素和上一个元素之间的百分比变化 |
| Series.prod([axis, skipna, level, …]) |
返回所请求轴的值的乘积 |
| Series.quantile([q, interpolation]) |
返回给定分位数处的值 |
| Series.rank([axis, method, numeric_only, …]) |
沿轴计算数值数据秩（1到n） |
| Series.sem([axis, skipna, level, ddof, …]) |
返回请求轴上平均值的无偏标准误差 |
| Series.skew([axis, skipna, level, numeric_only]) |
返回请求轴上的无偏倾斜 |
| Series.std([axis, skipna, level, ddof, …]) |
返回要求轴上的样本标准偏差 |
| Series.sum([axis, skipna, level, …]) |
返回所请求轴的值之和 |
| Series.var([axis, skipna, level, ddof, …]) |
返回请求轴上的无偏方差 |
| Series.kurtosis([axis, skipna, level, …]) |
返回请求轴上的无偏峰度 |
| Series.unique() |
返回序列对象的唯一值 |
| Series.nunique([dropna]) |
返回对象中唯一元素的数目 |
| Series.is_unique |
如果对象中的值唯一，则返回布尔值 |
| Series.is_monotonic |
如果对象中的值是单调递增的，则返回布尔值 |
| Series.is_monotonic_increasing |
is_monotonic 的别名 |
| Series.is_monotonic_decreasing |
如果对象中的值是单调递减的，则返回布尔值 |
| Series.value_counts([normalize, sort, …]) |
返回包含唯一值计数的序列 |
重新索引/选择/标签操作 Reindexing / selection / label manipulation
| api |
介绍 |
| Series.align(other[, join, axis, level, …]) |
使用指定的连接方法在轴上对齐两个对象 |
| Series.drop([labels, axis, index, columns, …]) |
删除指定索引标签的返回序列 |
| Series.droplevel(level[, axis]) |
返回已删除请求的索引/列级别的数据帧 |
| Series.drop_duplicates([keep, inplace]) |
删除重复值的返回序列 |
| Series.duplicated([keep]) |
表示重复的序列值 |
| Series.equals(other) |
测试两个对象是否包含相同的元素 |
| Series.first(offset) |
基于日期偏移选择时间序列数据的初始时段 |
| Series.head([n]) |
返回前n行 |
| Series.idxmax([axis, skipna]) |
返回最大值的行标签 |
| Series.idxmin([axis, skipna]) |
返回最小值的行标签 |
| Series.isin(values) |
序列中的元素是否包含在值中 |
| Series.last(offset) |
根据日期偏移选择时间序列数据的最后时段 |
| Series.reindex([index]) |
使用可选填充逻辑使系列符合新索引 |
| Series.reindex_like(other[, method, copy, …]) |
返回索引与其他对象匹配的对象 |
| Series.rename([index, axis, copy, inplace, …]) |
更改系列索引标签或名称 |
| Series.rename_axis([mapper, index, columns, …]) |
设置索引或列的轴的名称 |
| Series.reset_index([level, drop, name, inplace]) |
使用索引重置生成新的数据帧或序列 |
| Series.sample([n, frac, replace, weights, …]) |
从对象轴返回项目的随机样本 |
| Series.set_axis(labels[, axis, inplace]) |
将所需索引指定给给定轴 |
| Series.take(indices[, axis, is_copy]) |
沿轴返回给定位置索引中的元素 |
| Series.tail([n]) |
沿轴返回给定位置索引中的元素 |
| Series.truncate([before, after, axis, copy]) |
截断某个索引值前后的序列或数据帧 |
| Series.where(cond[, other, inplace, axis, …]) |
替换条件为 False 的值 |
| Series.mask(cond[, other, inplace, axis, …]) |
替换条件为 True 的值 |
| Series.add_prefix(prefix) |
使用字符串前缀为标签添加前缀 |
| Series.add_suffix(suffix) |
带有字符串后缀的后缀标签 |
| Series.filter([items, like, regex, axis]) |
根据指定的索引标签对数据帧行或列进行子集设置 |
缺失值处理 Missing data handling
| api |
介绍 |
| Series.backfill([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 使用 method='bfill' |
| Series.bfill([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 使用 method='bfill'. |
| Series.dropna([axis, inplace, how]) |
返回已删除缺失值的新序列 |
| Series.ffill([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 使用 method='ffill'. |
| Series.fillna([value, method, axis, …]) |
使用指定的方法填充 NA/NaN 值 |
| Series.interpolate([method, axis, limit, …]) |
插值，多层索引仅支持 method='linear' |
| Series.isna() |
检测缺失值 |
| Series.isnull() |
检测缺失值 |
| Series.notna() |
检测现有（非缺失）值 |
| Series.notnull() |
检测现有（非缺失）值 |
| Series.pad([axis, inplace, limit, downcast]) |
同 DataFrame.fillna() 使用 method='ffill'. |
| Series.replace([to_replace, value, inplace, …]) |
将指定值替换为给出的值 |
重塑/排序 Reshaping, sorting
| api |
介绍 |
| Series.argsort([axis, kind, order]) |
返回将对序列值进行排序的整数索引 |
| Series.argmin([axis, skipna]) |
返回序列中最小值的int位置 |
| Series.argmax([axis, skipna]) |
返回序列中最大值的int位置 |
| Series.reorder_levels(order) |
使用输入顺序重新排列索引级别 |
| Series.sort_values([axis, ascending, …]) |
按值排序 |
| Series.sort_index([axis, level, ascending, …]) |
按索引标签对序列进行排序 |
| Series.swaplevel([i, j, copy]) |
在多索引中交换级别i和j |
| Series.unstack([level, fill_value]) |
Unstack，也称为pivot，是一个具有多索引的系列，用于生成数据帧 |
| Series.explode([ignore_index]) |
将列表中的每个元素转换为一行 |
| Series.searchsorted(value[, side, sorter]) |
查找应插入元素以保持顺序的索引 |
| Series.ravel([order]) |
将展开的基础数据作为 ndarray 返回 |
| Series.repeat(repeats[, axis]) |
重复系列的元素 |
| Series.squeeze([axis]) |
将一维轴对象压缩为标量 |
| Series.view([dtype]) |
创建系列的新视图 |
合并/比较/合并/合并 Combining / comparing / joining / merging
| api |
介绍 |
| Series.append(to_append[, ignore_index, …]) |
连接两个或多个系列 |
| Series.compare(other[, align_axis, …]) |
与另一个系列进行比较并显示差异 |
| Series.replace([to_replace, value, inplace, …]) |
将中给出的值替换为值 |
| Series.update(other) |
使用传递序列中的值就地修改序列 |
| api |
介绍 |
| Series.asfreq(freq[, method, how, …]) |
将时间序列转换为指定的频率 |
| Series.asof(where[, subset]) |
返回where之前的最后一行，不带任何 NaN |
| Series.shift([periods, freq, axis, fill_value]) |
按所需周期数和可选时间频率进行移位索引 |
| Series.first_valid_index() |
返回第一个非NA/null值的索引 |
| Series.last_valid_index() |
返回最后一个非NA/null值的索引 |
| Series.resample(rule[, axis, closed, label, …]) |
对时间序列数据重新采样 |
| Series.tz_convert(tz[, axis, level, copy]) |
将时间轴转换为目标时区 |
| Series.tz_localize(tz[, axis, level, copy, …]) |
将序列或数据帧的初始索引本地化为目标时区 |
| Series.at_time(time[, asof, axis]) |
选择一天中特定时间（如上午9:30）的值 |
| Series.between_time(start_time, end_time[, …]) |
选择一天中特定时间（例如上午9:00-9:30）之间的值 |
| Series.tshift([periods, freq, axis]) |
（已弃用）使用索引的频率（如果可用）移动时间索引 |
| Series.slice_shift([periods, axis]) |
相当于shift而不复制数据 |
存取器 Accessors
Pandas在各种访问器下提供特定于数据类型的方法。这些名称空间是系列中单独的名称空间，仅适用于特定的数据类型。
| Data Type |
Accessor |
| Datetime, Timedelta, Period |
dt |
| String |
str |
| Categorical |
cat |
| Sparse |
sparse |
类似日期时间的属性 Datetimelike properties
Series.dt可用于以datetimelike的形式访问序列的值，并返回多个属性。可以像Series.dt.一样访问这些属性。
日期时间属性 Datetime properties
| api |
介绍 |
| Series.dt.date |
返回python datetime.date对象的numpy数组（即不含时区信息的时间戳的日期部分） |
| Series.dt.time |
返回datetime.time的numpy数组 |
| Series.dt.timetz |
返回datetime.time的numpy数组，该数组还包含时区信息 |
| Series.dt.year |
日期时间的年份 |
| Series.dt.month |
一月=1，十二月=12的月份 |
| Series.dt.day |
日期时间的日期 |
| Series.dt.hour |
日期时间的小时数 |
| Series.dt.minute |
日期时间的分钟数 |
| Series.dt.second |
日期时间的秒数 |
| Series.dt.microsecond |
日期时间的微秒 |
| Series.dt.nanosecond |
日期时间的纳秒数 |
| Series.dt.week |
（不推荐）一年中的第几周 |
| Series.dt.weekofyear |
（不推荐）一年中的第几周 |
| Series.dt.dayofweek |
星期一=0，星期日=6的一周中的某一天 |
| Series.dt.weekday |
星期一=0，星期日=6的一周中的某一天 |
| Series.dt.dayofyear |
一年中的第几天 |
| Series.dt.quarter |
日期的四分之一 |
| Series.dt.is_month_start |
指示日期是否为当月的第一天 |
| Series.dt.is_month_end |
指示日期是否为当月的最后一天 |
| Series.dt.is_quarter_start |
指示日期是否为季度的第一天 |
| Series.dt.is_quarter_end |
指示日期是否为季度的最后一天 |
| Series.dt.is_year_start |
指明日期是否为一年中的第一天 |
| Series.dt.is_year_end |
指明日期是否为一年中的最后一天 |
| Series.dt.is_leap_year |
如果日期属于闰年，则为布尔指示符 |
| Series.dt.daysinmonth |
当月的天数 |
| Series.dt.days_in_month |
当月的天数 |
| Series.dt.tz |
返回时区（如果有） |
| Series.dt.freq |
返回此周期数组的频率对象 PeriodArray |
日期时间方法 Datetime methods
| api |
介绍 |
| Series.dt.to_period(args, *kwargs) |
以特定频率强制转换到周期数组/索引 PeriodArray/Index |
| Series.dt.to_pydatetime() |
以本机Python datetime对象数组的形式返回数据 |
| Series.dt.tz_localize(args, *kwargs) |
将tz naive Datetime数组/索引本地化为tz感知的Datetime数组/索引 |
| Series.dt.tz_convert(args, *kwargs) |
将tz感知的日期时间数组/索引从一个时区转换为另一个时区 |
| Series.dt.normalize(args, *kwargs) |
将时间转换为午夜 |
| Series.dt.strftime(args, *kwargs) |
使用指定的日期格式转换为索引 |
| Series.dt.round(args, *kwargs) |
按指定的频率对数据执行舍入操作 |
| Series.dt.floor(args, *kwargs) |
以指定的频率对数据执行floor操作 |
| Series.dt.ceil(args, *kwargs) |
以指定的频率对数据执行ceil操作 |
| Series.dt.month_name(args, *kwargs) |
返回具有指定区域设置的DateTimeIndex的月份名称 |
| Series.dt.day_name(args, *kwargs) |
返回具有指定区域设置的DateTimeIndex的日期名称 |
周期属性 Period properties
| api |
介绍 |
| Series.dt.qyear |
|
| Series.dt.start_time |
|
| Series.dt.end_time |
|
时间增量属性 Timedelta properties
| api |
介绍 |
| Series.dt.days |
每个元素的天数 |
| Series.dt.seconds |
每个元素的秒数（>=0且小于1天） |
| Series.dt.microseconds |
每个元素的微秒数（>=0且小于1秒） |
| Series.dt.nanoseconds |
每个元素的纳秒数（>=0且小于1微秒） |
| Series.dt.components |
返回TimeDelta组件的数据帧 |
时间增量方法 Timedelta methods
| api |
介绍 |
| Series.dt.to_pytimedelta() |
Return an array of native datetime.timedelta objects. |
| Series.dt.total_seconds(args, *kwargs) |
Return total duration of each element expressed in seconds. |
字符串处理 String handling
Series.str 可用于以字符串形式访问序列的值，并对其应用多种方法。可以像Series.str.一样访问这些文件。
| api |
介绍 |
| Series.str.capitalize() |
将序列/索引中的字符串转换为大写 |
| Series.str.casefold() |
将序列/索引中的字符串转换为大小写折叠 |
| Series.str.cat([others, sep, na_rep, join]) |
用给定的分隔符连接序列/索引中的字符串 |
| Series.str.center(width[, fillchar]) |
在序列/索引中填充字符串的左侧和右侧 |
| Series.str.contains(pat[, case, flags, na, …]) |
测试模式或正则表达式是否包含在序列或索引的字符串中 |
| Series.str.count(pat[, flags]) |
统计序列/索引的每个字符串中模式的出现次数 |
| Series.str.decode(encoding[, errors]) |
使用指定的编码对序列/索引中的字符串进行解码 |
| Series.str.encode(encoding[, errors]) |
使用指定的编码对序列/索引中的字符串进行编码 |
| Series.str.endswith(pat[, na]) |
测试每个字符串元素的结尾是否与模式匹配 |
| Series.str.extract(pat[, flags, expand]) |
将正则表达式pat中的捕获组提取为数据帧中的列 |
| Series.str.extractall(pat[, flags]) |
将正则表达式pat中的捕获组提取为DataFrame中的列 |
| Series.str.find(sub[, start, end]) |
返回序列/索引中每个字符串的最低索引 |
| Series.str.findall(pat[, flags]) |
查找序列/索引中所有出现的模式或正则表达式 |
| Series.str.get(i) |
从指定位置的每个组件中提取元素 |
| Series.str.index(sub[, start, end]) |
返回系列/索引中每个字符串中的最低索引 |
| Series.str.join(sep) |
包含为序列/索引中的元素并带有传递的分隔符的联接列表 |
| Series.str.len() |
计算序列/索引中每个元素的长度 |
| Series.str.ljust(width[, fillchar]) |
在序列/索引中填充字符串的右侧 |
| Series.str.lower() |
将序列/索引中的字符串转换为小写 |
| Series.str.lstrip([to_strip]) |
删除前导字符 |
| Series.str.match(pat[, case, flags, na]) |
确定每个字符串是否以正则表达式的匹配项开头 |
| Series.str.normalize(form) |
返回序列/索引中字符串的Unicode标准格式 |
| Series.str.pad(width[, side, fillchar]) |
填充系列/索引中的字符串，最大宽度为 |
| Series.str.partition([sep, expand]) |
在第一次出现sep时拆分字符串 |
| Series.str.repeat(repeats) |
复制序列或索引中的每个字符串 |
| Series.str.replace(pat, repl[, n, case, …]) |
替换序列/索引中出现的每个pattern/regex |
| Series.str.rfind(sub[, start, end]) |
返回序列/索引中每个字符串的最高索引 |
| Series.str.rindex(sub[, start, end]) |
返回系列/索引中每个字符串的最高索引 |
| Series.str.rjust(width[, fillchar]) |
在序列/索引中填充字符串的左侧 |
| Series.str.rpartition([sep, expand]) |
在最后一次出现sep时拆分字符串 |
| Series.str.rstrip([to_strip]) |
删除尾随字符 |
| Series.str.slice([start, stop, step]) |
从序列或索引中的每个元素切片子字符串 |
| Series.str.slice_replace([start, stop, repl]) |
用另一个值替换字符串的位置切片 |
| Series.str.split([pat, n, expand]) |
围绕给定的分隔符/分隔符拆分字符串 |
| Series.str.rsplit([pat, n, expand]) |
围绕给定的分隔符/分隔符拆分字符串 |
| Series.str.startswith(pat[, na]) |
测试每个字符串元素的开头是否与模式匹配 |
| Series.str.strip([to_strip]) |
删除前导字符和尾随字符 |
| Series.str.swapcase() |
将序列/索引中的字符串大小写转换 |
| Series.str.title() |
将序列/索引中的字符串转换为 titlecase |
| Series.str.translate(table) |
通过给定的映射表映射字符串中的所有字符 |
| Series.str.upper() |
将序列/索引中的字符串转换为大写 |
| Series.str.wrap(width, **kwargs) |
以指定的线宽将字符串按系列/索引进行换行 |
| Series.str.zfill(width) |
通过在“0”字符前加前缀来填充序列/索引中的字符串 |
| Series.str.isalnum() |
检查每个字符串中的所有字符是否都是字母数字 |
| Series.str.isalpha() |
检查每个字符串中的所有字符是否按字母顺序排列 |
| Series.str.isdigit() |
检查每个字符串中的所有字符是否都是数字 |
| Series.str.isspace() |
检查每个字符串中的所有字符是否都是空白 |
| Series.str.islower() |
检查每个字符串中的所有字符是否为小写 |
| Series.str.isupper() |
检查每个字符串中的所有字符是否都是大写 |
| Series.str.istitle() |
检查每个字符串中的所有字符是否都是titlecase |
| Series.str.isnumeric() |
检查每个字符串中的所有字符是否都是数字 |
| Series.str.isdecimal() |
检查每个字符串中的所有字符是否为十进制 |
| Series.str.get_dummies([sep]) |
返回序列的虚拟/指示器变量的数据帧 |
分类存取器 Categorical accessor
在Series.cat访问器下提供了特定于数据类型的分类方法和属性。
| api |
介绍 |
| Series.cat.categories |
这一分类的类别 |
| Series.cat.ordered |
类别是否具有有序关系 |
| Series.cat.codes |
返回一系列代码以及索引 |
| Series.cat.rename_categories(args, *kwargs) |
重命名类别 |
| Series.cat.reorder_categories(args, *kwargs) |
按照新类别中的规定重新排序类别 |
| Series.cat.add_categories(args, *kwargs) |
添加新类别 |
| Series.cat.remove_categories(args, *kwargs) |
删除指定的类别 |
| Series.cat.remove_unused_categories(*args, …) |
删除未使用的类别 |
| Series.cat.set_categories(args, *kwargs) |
将类别设置为指定的新类别 |
| Series.cat.as_ordered(args, *kwargs) |
将分类设置为有序 |
| Series.cat.as_unordered(args, *kwargs) |
将分类设置为无序 |
稀疏存取器 Sparse accessor
特定于稀疏数据类型的方法和属性在Series.Sparse访问器下提供。
| api |
介绍 |
| Series.sparse.npoints |
非填充值点数 |
| Series.sparse.density |
非填充值点的百分比，以十进制表示 |
| Series.sparse.fill_value |
不存储数据中的填充值元素 |
| Series.sparse.sp_values |
包含 non- fill_value 值 |
| Series.sparse.from_coo(A[, dense_index]) |
从 scipy.sparse.coo_matrix 矩阵创建具有稀疏值的序列 |
| Series.sparse.to_coo([row_levels, …]) |
从具有多索引的序列创建 scipy.sparse.coo_matrix |
Series.attrs 是用于存储此系列的全局元数据的字典。
警告：Series.attrs被认为是实验性的，可能会在没有警告的情况下更改。
| api |
介绍 |
| Series.attrs |
此对象的全局属性字典 |
绘图 Plotting
Series.plot 是表单 Series.plot. 的特定绘图方法的可调用方法和命名空间属性。
| api |
介绍 |
| Series.plot([kind, ax, figsize, ….]) |
系列绘图存取器及方法 |
| Series.plot.area([x, y]) |
绘制堆叠面积图 |
| Series.plot.bar([x, y]) |
垂直条形图 |
| Series.plot.barh([x, y]) |
做一个水平条形图 |
| Series.plot.box([by]) |
制作DataFrame列的方框图 |
| Series.plot.density([bw_method, ind]) |
使用高斯核生成核密度估计图 |
| Series.plot.hist([by, bins]) |
绘制数据帧列的一个直方图 |
| Series.plot.kde([bw_method, ind]) |
使用高斯核生成核密度估计图 |
| Series.plot.line([x, y]) |
将系列或数据框打印为线 |
| Series.plot.pie(**kwargs) |
生成饼图 |
| Series.hist([by, ax, grid, xlabelsize, …]) |
使用matplotlib绘制输入序列的直方图 |
序列化/IO/转换 Serialization / IO / conversion
| api |
介绍 |
| Series.to_pickle(path[, compression, protocol]) |
将对象Pickle（序列化）到文件 |
| Series.to_csv([path_or_buf, sep, na_rep, …]) |
将对象写入逗号分隔值（csv）文件 |
| Series.to_dict([into]) |
将序列转换为{label->value}dict或类似dict的对象 |
| Series.to_excel(excel_writer[, sheet_name, …]) |
将对象写入Excel工作表 |
| Series.to_frame([name]) |
将序列转换为数据帧 |
| Series.to_xarray() |
从pandas对象返回一个xarray对象 |
| Series.to_hdf(path_or_buf, key[, mode, …]) |
使用HDFStore将包含的数据写入HDF5文件 |
| Series.to_sql(name, con[, schema, …]) |
将存储在数据帧中的记录写入SQL数据库 |
| Series.to_json([path_or_buf, orient, …]) |
将存储在数据帧中的记录写入SQL数据库 |
| Series.to_string([buf, na_rep, …]) |
呈现序列的字符串表示形式 |
| Series.to_clipboard([excel, sep]) |
将对象复制到系统剪贴板 |
| Series.to_latex([buf, columns, col_space, …]) |
将对象渲染为LaTeX表格、长表格或嵌套表格/表格 |
| Series.to_markdown([buf, mode, index]) |
以markdown的格式打印系列 |
分组 GroupBy
GroupBy 对象由 GroupBy 调用返回: pandas.DataFrame.groupby(), pandas.Series.groupby() 等。
Indexing, iteration
| api |
介绍 |
| GroupBy.iter() |
Groupby迭代器 |
| GroupBy.groups |
Dict{组名->组标签} |
| GroupBy.indices |
Dict{组名->组索引} |
| GroupBy.get_group(name[, obj]) |
使用提供的名称从组构造数据帧 |
| Grouper(args, *kwargs) |
Grouper允许用户为对象指定groupby指令 |
函数应用 Function application
| api |
介绍 |
| GroupBy.apply(func, args, *kwargs) |
按组应用函数func并将结果组合在一起 |
| GroupBy.agg(func, args, *kwargs) |
|
| SeriesGroupBy.aggregate([func, engine, …]) |
在指定轴上使用一个或多个操作进行聚合 |
| DataFrameGroupBy.aggregate([func, engine, …]) |
在指定轴上使用一个或多个操作进行聚合 |
| SeriesGroupBy.transform(func, *args[, …]) |
调用函数，在每个组上生成一个相似的索引序列，并返回一个序列，该序列具有与原始对象相同的索引，其中填充了转换后的值 |
| DataFrameGroupBy.transform(func, *args[, …]) |
调用函数，在每个组上生成一个相似的索引数据帧，并返回一个数据帧，该数据帧的索引与原始对象的索引相同，并填充转换后的值 |
| GroupBy.pipe(func, args, *kwargs) |
将带参数的函数func应用于此GroupBy对象并返回函数的结果 |
计算/描述性统计 Computations / descriptive stats
| api |
介绍 |
| GroupBy.all([skipna]) |
如果组中的所有值均为True，则返回True，否则返回False |
| GroupBy.any([skipna]) |
如果组中的任何值为True，则返回True，否则返回False |
| GroupBy.bfill([limit]) |
向后填充值 |
| GroupBy.backfill([limit]) |
向后填充值 |
| GroupBy.count() |
计算组的计数，不包括缺少的值 |
| GroupBy.cumcount([ascending]) |
将每组中的每个项目编号，从0到该组的长度-1 |
| GroupBy.cummax([axis]) |
每组的累积最大值 |
| GroupBy.cummin([axis]) |
每组的累积最小值 |
| GroupBy.cumprod([axis]) |
累积积 |
| GroupBy.cumsum([axis]) |
每组的累积总和 |
| GroupBy.ffill([limit]) |
向前填充值 |
| GroupBy.first([numeric_only, min_count]) |
计算第一组值 |
| GroupBy.head([n]) |
返回每组的前n行 |
| GroupBy.last([numeric_only, min_count]) |
计算最后一组值 |
| GroupBy.max([numeric_only, min_count]) |
计算组值的最大值 |
| GroupBy.mean([numeric_only]) |
计算组的平均值，不包括缺失值 |
| GroupBy.median([numeric_only]) |
计算组的中值，不包括缺少的值 |
| GroupBy.min([numeric_only, min_count]) |
计算组值的最小值 |
| GroupBy.ngroup([ascending]) |
从0到组数-1对每个组进行编号 |
| GroupBy.nth(n[, dropna]) |
如果n是整数，则取每组的第n行；如果n是整数列表，则取行的子集 |
| GroupBy.ohlc() |
计算组的打开、高、低和关闭值，不包括缺少的值 |
| GroupBy.pad([limit]) |
向前填充值 |
| GroupBy.prod([numeric_only, min_count]) |
计算组值的prod |
| GroupBy.rank([method, ascending, na_option, …]) |
提供每组中的值的排名 |
| GroupBy.pct_change([periods, fill_method, …]) |
计算每个值相对于组中上一个条目的变化百分比 |
| GroupBy.size() |
计算组大小 |
| GroupBy.sem([ddof]) |
计算各组平均值的标准误差，不包括缺失值 |
| GroupBy.std([ddof]) |
计算各组的标准偏差，不包括缺失值 |
| GroupBy.sum([numeric_only, min_count]) |
计算组值之和 |
| GroupBy.var([ddof]) |
计算组的方差，不包括缺少的值 |
| GroupBy.tail([n]) |
返回每组的最后n行 |
以下方法在SeriesGroupBy和DataFrameGroupBy对象中都可用，但可能略有不同，通常是DataFrameGroupBy版本允许指定axis参数，并且通常是指示是否将应用程序限制为特定数据类型的列的参数。
| api |
介绍 |
| DataFrameGroupBy.all([skipna]) |
如果组中的所有值均为True，则返回True，否则返回False |
| DataFrameGroupBy.any([skipna]) |
如果组中的任何值为True，则返回True，否则返回False |
| DataFrameGroupBy.backfill([limit]) |
向后填充值 |
| DataFrameGroupBy.bfill([limit]) |
向后填充值 |
| DataFrameGroupBy.corr |
计算列的成对相关性，不包括NA/null值 |
| DataFrameGroupBy.count() |
计算组的计数，不包括缺少的值 |
| DataFrameGroupBy.cov |
计算列的成对协方差，不包括NA/null值 |
| DataFrameGroupBy.cumcount([ascending]) |
将每组中的每个项目编号，从0到该组的长度-1 |
| DataFrameGroupBy.cummax([axis]) |
每组的累积最大值 |
| DataFrameGroupBy.cummin([axis]) |
每组的累积最小值 |
| DataFrameGroupBy.cumprod([axis]) |
每组的累积积 |
| DataFrameGroupBy.cumsum([axis]) |
每组的累积总和 |
| DataFrameGroupBy.describe(**kwargs) |
生成描述性统计数据 |
| DataFrameGroupBy.diff |
元素的第一离散差分 |
| DataFrameGroupBy.ffill([limit]) |
向前填充值 |
| DataFrameGroupBy.fillna |
使用指定的方法填充NA/NaN值 |
| DataFrameGroupBy.filter(func[, dropna]) |
返回不包含筛选元素的数据帧的副本 |
| DataFrameGroupBy.hist |
制作数据帧的直方图 |
| DataFrameGroupBy.idxmax |
请求轴上最大值第一次出现的返回索引 |
| DataFrameGroupBy.idxmin |
请求轴上最小值第一次出现的返回索引 |
| DataFrameGroupBy.mad |
返回请求轴值的平均绝对偏差 |
| DataFrameGroupBy.nunique([dropna]) |
返回每个位置具有唯一元素计数的DataFrame |
| DataFrameGroupBy.pad([limit]) |
向前填充值 |
| DataFrameGroupBy.pct_change([periods, …]) |
计算每个值相对于组中上一个条目的变化百分比 |
| DataFrameGroupBy.plot |
类实现，groupby对象的图形属性 |
| DataFrameGroupBy.quantile([q, interpolation]) |
返回给定分位数处的组值，a numpy，百分位数 |
| DataFrameGroupBy.rank([method, ascending, …]) |
提供每组中的值的排名 |
| DataFrameGroupBy.resample(rule, args, *kwargs) |
使用TimeGrouper时提供重采样 |
| DataFrameGroupBy.sample([n, frac, replace, …]) |
从每组返回项目的随机样本 |
| DataFrameGroupBy.shift([periods, freq, …]) |
按观察周期移动每组 |
| DataFrameGroupBy.size() |
计算组大小 |
| DataFrameGroupBy.skew |
返回请求轴上的无偏倾斜 |
| DataFrameGroupBy.take |
沿轴返回给定位置索引中的元素 |
| DataFrameGroupBy.tshift |
（已弃用）使用索引的频率（如果可用）移动时间索引 |
以下方法仅适用于SeriesGroupBy对象。
| api |
介绍 |
| SeriesGroupBy.hist |
使用matplotlib绘制输入序列的直方图 |
| SeriesGroupBy.nlargest |
返回最大的n个元素 |
| SeriesGroupBy.nsmallest |
返回最小的n个元素 |
| SeriesGroupBy.nunique([dropna]) |
返回组中唯一元素的数目 |
| SeriesGroupBy.unique |
返回序列对象的唯一值 |
| SeriesGroupBy.value_counts([normalize, …]) |
|
| SeriesGroupBy.is_monotonic_increasing |
如果对象中的值是单调递增的，则返回布尔值 |
| SeriesGroupBy.is_monotonic_decreasing |
如果对象中的值是单调递减的，则返回布尔值 |
以下方法仅适用于DataFrameGroupBy对象。
| api |
介绍 |
| DataFrameGroupBy.corrwith |
计算两两相关性 |
| DataFrameGroupBy.boxplot([subplots, column, …]) |
从DataFrameGroupBy数据生成方框图 |
Pickling
| api |
介绍 |
| pandas.read_pickle(filepath_or_buffer[, compression]) |
从文件中加载pickled的pandas对象（或任何对象） |
平面文件 Flat file
| api |
介绍 |
| pandas.read_table(filepath_or_buffer[, sep, …]) |
将常规定界文件读入 DataFrame |
| pandas.read_csv(filepath_or_buffer[, sep, …]) |
将逗号分隔值（csv）文件读取到 DataFrame |
| pandas.read_fwf(filepath_or_buffer[, colspecs, …]) |
将固定宽度格式的行表读入 DataFrame |
剪贴板 Clipboard
| api |
介绍 |
| pandas.read_clipboard([sep]) |
从剪贴板读取文本，然后传递给 read_csv 读取 |
Excel
| api |
介绍 |
| pandas.read_excel(io[, sheet_name, header, names, …]) |
将Excel文件读取到 DataFrame |
| pandas.ExcelFile.parse([sheet_name, header, names, …]) |
将指定的工作表解析为 DataFrame |
| pandas.ExcelWriter(path[, engine]) |
用于将 DataFrame 对象写入 Excel工作表的类 |
JSON
| api |
介绍 |
| pandas.read_json([path_or_buf, orient, typ, dtype, …]) |
将 JSON 字符串转换为 pandas 对象 |
| pandas.json_normalize(data[, record_path, meta, …]) |
将半结构化 JSON 数据规范化为平面表 |
| pandas.build_table_schema(data[, index, …]) |
根据数据创建表架构 |
HTML
| api |
介绍 |
| pandas.read_html(io[, match, flavor, header, …]) |
将HTML表读入DataFrame对象列表 |
HDFStore: PyTables (HDF5)
| api |
介绍 |
| pandas.read_hdf(path_or_buf[, key, mode, errors, …]) |
从存储中读取信息，读取后将其关闭 |
| pandas.HDFStore.put(key, value[, format, index, …]) |
在 HDFStore 中存储对象 |
| pandas.HDFStore.append(key, value[, format, axes, …]) |
追加到文件中的表 |
| pandas.HDFStore.get(key) |
Retrieve pandas object stored in file. |
| pandas.HDFStore.select(key[, where, start, stop, …]) |
检索存储在文件中的pandas对象，可以根据条件选择 |
| pandas.HDFStore.info() |
打印存储中的详细信息 |
| pandas.HDFStore.keys([include]) |
返回与HDFStore中存储的对象相对应的键列表 |
| pandas.HDFStore.groups() |
返回所有顶级节点的列表 |
| pandas.HDFStore.walk([where]) |
遍历pandas对象的pytables组层次结构 |
Feather
| api |
介绍 |
| pandas.read_feather(path[, columns, use_threads]) |
从文件路径加载羽毛格式对象 |
Parquet
| api |
介绍 |
| pandas.read_parquet(path[, engine, columns]) |
从文件路径加载 parquet 对象，返回数据帧 |
ORC
| api |
介绍 |
| pandas.read_orc(path[, columns]) |
从文件路径加载ORC对象，返回数据帧 |
SAS
| api |
介绍 |
| pandas.read_sas(filepath_or_buffer[, format, …]) |
读取存储为XPORT或SAS7BDAT格式文件的SAS文件 |
SPSS
| api |
介绍 |
| pandas.read_spss(path[, usecols, convert_categoricals]) |
从文件路径加载SPSS文件，返回数据帧 |
SQL
| api |
介绍 |
| pandas.read_sql_table(table_name, con[, schema, …]) |
将SQL数据库表读入DataFrame |
| pandas.read_sql_query(sql, con[, index_col, …]) |
将SQL查询读取到 DataFrame中 |
| pandas.read_sql(sql, con[, index_col, …]) |
将SQL查询或数据库表读取到 DataFrame 中 |
Google BigQuery
| api |
介绍 |
| pandas.read_gbq(query[, project_id, index_col, …]) |
加载 Google BigQuery 数据 |
STATA
| api |
介绍 |
| pandas.read_stata(filepath_or_buffer[, …]) |
将Stata文件读入数据帧 |
| pandas.StataReader.data_label |
返回Stata文件的数据标签 |
| pandas.StataReader.value_labels() |
返回一个dict，将每个变量名与dict相关联，将每个值与相应的标签相关联 |
| pandas.StataReader.variable_labels() |
以dict形式返回变量标签，将每个变量名与相应的标签相关联 |
| pandas.StataWriter.write_file() |
|
一般性功能 General functions
使用以下方法的格式是 pd.xxx()。
Data manipulations
| api |
介绍 |
| pandas.melt(frame[, id_vars, value_vars, var_name, …]) |
取消将 DataFrame 从宽格式转为长格式，可以选择保留标识符 |
| pandas.pivot(data[, index, columns, values]) |
返回按给定索引/列值组织的重新整形数据帧 |
| pandas.pivot_table(data[, values, index, columns, …]) |
创建电子表格样式的数据透视表作为数据框 |
| pandas.crosstab(index, columns[, values, rownames, …]) |
计算两个（或更多）因素的简单交叉表 |
| pandas.cut(x, bins[, right, labels, retbins, …]) |
Bin值转换为离散的间隔 |
| pandas.qcut(x, q[, labels, retbins, precision, …]) |
基于分位数的离散化函数 |
| pandas.merge(left, right[, how, on, left_on, …]) |
使用数据库样式联接合并数据帧或命名系列对象 |
| pandas.merge_ordered(left, right[, on, left_on, …]) |
使用可选填充/插值执行合并 |
| pandas.merge_asof(left, right[, on, left_on, …]) |
执行asof合并 |
| pandas.concat(objs[, axis, join, ignore_index, …]) |
沿特定轴连接对象，沿其他轴连接可选的设置逻辑 |
| pandas.get_dummies(data[, prefix, prefix_sep, …]) |
将分类变量转换为虚拟/指示符变量 |
| pandas.factorize(values[, sort, na_sentinel, size_hint]) |
将对象编码为枚举类型或分类变量 |
| pandas.unique(values) |
基于哈希表的唯一性 |
| pandas.wide_to_long(df, stubnames, i, j[, sep, suffix]) |
宽面板到长格式 |
Top-level missing data
| api |
介绍 |
| pandas.isna(obj) |
检测类似数组的对象缺少的值 |
| pandas.isnull(obj) |
检测类似数组的对象缺少的值 |
| pandas.notna(obj) |
检测类似数组的对象的非缺失值 |
| pandas.notnull(obj) |
检测类似数组的对象的非缺失值 |
Top-level conversions
| api |
介绍 |
| pandas.to_numeric(arg[, errors, downcast]) |
将参数转换为数字类型 |
Top-level dealing with datetimelike
| api |
介绍 |
| pandas.to_datetime(arg[, errors, dayfirst, …]) |
将参数转换为日期时间 |
| pandas.to_timedelta(arg[, unit, errors]) |
将参数转换为timedelta |
| pandas.date_range([start, end, periods, freq, tz, …]) |
返回固定频率的DatetimeIndex |
| pandas.bdate_range([start, end, periods, freq, tz, …]) |
返回固定频率的DatetimeIndex，默认频率为工作日 |
| pandas.period_range([start, end, periods, freq, name]) |
返回一个固定的频率周期索引 |
| pandas.timedelta_range([start, end, periods, freq, …]) |
返回固定频率TimedeltaIndex，以天作为默认频率 |
| pandas.infer_freq(index[, warn]) |
根据输入索引推断最可能的频率 |
固定频率 Top-level dealing with intervals
| api |
介绍 |
| pandas.interval_range([start, end, periods, freq, …]) |
返回固定频率IntervalIndex |
eval 操作 Top-level evaluation
| api |
介绍 |
| pandas.eval(expr[, parser, engine, truediv, …]) |
使用各种后端将Python表达式作为字符串进行求值 |
散列操作 Hashing
| api |
介绍 |
| pandas.util.hash_array(vals[, encoding, hash_key, …]) |
给定一维数组，返回确定性整数数组 |
| pandas.util.hash_pandas_object(obj[, index, …]) |
返回Index/Series/DataFrame数据的 hash 值 |
测试 Testing
| api |
介绍 |
| pandas.test([extra_args]) |
|
