104學習精靈
Data Analysis
Data Analysis
關注
邀請朋友 
Facebook
Line
複製連結
Hi~ 歡迎分享學習資源，有學習問題可匿名向Giver發問！
我要分享
我要提問
Data Analysis 學習推薦
全部
影片
文章
不知如何開始嗎？ 先進行技能挑戰吧～
技能挑戰：初級
目前等級：未達初級
1 人已通過「初級」測驗，通過率100%，和學習精靈一起探索知識、增強能力！
我要挑戰
Pandas DataFrame處理雙維度資料方法(4)
Q:如何取得Pandas DataFrame資料?
1.head()：取得最前面的n筆資料，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
new_df = df.head(2)
print(new_df) #取得最前面的兩筆資料
2.tail()：取得最後面的n筆資料，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
new_df = df.tail(3)
print(new_df) #取得最後面的三筆資料
3.中括號[]：在中括號中指定「欄位名稱」或「資料索引值」，來取得所需的資料集，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print(df[["name"]]) #取得單一欄位資料(型別為DataFrame)
print(df[["name", "chinese"]]) #取得多欄位資料(型別為DataFrame)
print(df[0:3]) #取得索引值0~2的資料
4.at[資料索引值,欄位名稱]：利用資料索引值及欄位名稱來取得「單一值」，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print(df.at[1, "math"]) #利用at()方法取得索引值為1的math欄位資料
5.iat[資料索引值,欄位順序]：利用資料索引值及欄位順序來取得「單一值」，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print(df.iat[1, 0]) #取得索引值為1的第一個欄位資料"
5.loc[資料索引值,欄位名稱]：利用資料索引值及欄位名稱來取得「資料集」，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print(df.loc[[1, 3], ["name", "chinese"]]) #取得資料索引值為1和3的name及chinese欄位資料集
6.iloc[資料索引值,欄位順序]：利用資料索引值及欄位順序來取得「資料集」，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print(df.iloc[[1, 3], [0, 2]]) #取得資料索引值為1和3的第一個及第三個欄位資料集
如果想要學習更多的Python應用教學，歡迎前往Learn Code With Mike( https://www.learncodewithmike.com/2020/11/python-pandas-dataframe-tutorial.html
)網站觀看更多精彩內容。
2
0
358 0
拍手
留言
分享
Line
複製連結
收藏
熱門精選
行銷思維大升級！AI浪潮下的新媒體：翻轉品牌、應用社群大數據
🚀 讓我們帶你，探索數位行銷的新境界 🚀
第1場：聚焦於AI大數據的威力，揭示真實聲音的秘密
第2場：則以《500輯》為例，展現傳統媒體品牌的翻轉之路
從大數據的洞察到新媒體的創新，開啟媒體產業的全新時代 ！
名額有限，熱烈報名中
2
1
2473 0
拍手
留言
分享
Line
複製連結
收藏
學習精靈
06/27 00:00
youtube.com
EViews 軟體應用－Panel Data Analysis／何宗武老師【鼎茂統計諮詢中心】
23 0
分享
Line
複製連結
收藏
Pandas DataFrame處理雙維度資料方法(3)
Q:如何刪除Pandas DataFrame資料
1.drop(欄位名稱串列,axis=1)：刪除指定欄位名稱的欄位，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
new_df = df.drop(["math"], axis=1)
print("刪除math欄位")
print(new_df)
2.drop(資料索引串列,axis=0)：刪除指定資料索引的資料，並且會回傳一個新的Pandas DataFrame資料集，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
new_df = df.drop([0, 3], axis=0) # 刪除第一筆及第四筆資料
print("刪除第一筆及第四筆資料")
print(new_df)
3.dropna()：刪除含有NaN或空值的資料，並且會回傳一個新的Pandas DataFrame資料集，在進行資料清理的時候非常實用，如下範例：
grades = {
"name": ["Mike", "Sherry", np.NaN, "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
new_df = df.dropna()
print("刪除空值後的df")
print(new_df)
4.drop_duplicates()：刪除重複的資料，並且會回傳一個新的Pandas DataFrame資料集，同樣最常應用在資料清理的時候，如下範例：
grades = {
"name": ["Mike", "Mike", "Cindy", "John"],
"city": ["Taipei", "Taipei", "Kaohsiung", "Taichung"],
"math": [80, 80, 93, 86],
"chinese": [80, 80, 93, 86]
}
df = pd.DataFrame(grades)
new_df = df.drop_duplicates()
print("刪除重複值後的df")
print(new_df)
Q:如何篩選Pandas DataFrame資料
通常在處理大量的資料集時，有很高的機率會需要利用條件式來篩選所需的資料，這時候就可以利用中括號[]存取欄位來進行資料篩選，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print("篩選math大於80的資料集")
print(df[df["math"] > 80])
另一個最常見的資料篩選情境，就是找出包含特定值的資料集，這時候可以利用Pandas DataFrame的isin()方法(Method)來達成，如下範例：
grades = {
"name": ["Mike", "Sherry", "Cindy", "John"],
"math": [80, 75, 93, 86],
"chinese": [63, 90, 85, 70]
}
df = pd.DataFrame(grades)
print("篩選name欄位包含John的資料集")
print(df[df["name"].isin(["John"])])
如果想要學習更多的Python應用教學，歡迎前往Learn Code With Mike( https://www.learncodewithmike.com/2020/11/python-pandas-dataframe-tutorial.html
)網站觀看更多精彩內容。
2
0
1632 0
拍手
留言
分享
Line
複製連結
收藏
學習精靈
05/05 00:00
youtube.com
學習大數據資料分析 - 新冠肺炎資料分析 (You may learn data analysis from big data.)
6 1
分享
Line
複製連結
收藏
推薦給你
讓你快速了解「結構化資料」是什麼的10大 Q&A #SEO
1. 什麼是結構化資料？
答：結構化資料是一種用特定格式標記的網頁資訊，讓搜索引擎更容易理解和解析。
2. 為什麼結構化資料很重要？
答：結構化資料可以幫助您的網站在搜索結果中顯示更豐富的資訊，增加點擊率和流量。
3. 結構化資料和SEO有什麼關係？
答：結構化資料可以改善您的網站的SEO，提高在搜索引擎中的排名和可見性。
4. 結構化資料有哪些不同的類型？
答：結構化資料可以標記各種不同類型的內容，例如產品、評論、組織、事件等等。
5. 結構化資料怎麼加到網站上？
答：您可以在網站的HTML代碼中添加特定的標記，描述您要標記的內容。
6. 結構化資料對用戶有什麼好處？
答：結構化資料可以使搜索結果更具吸引力和豐富，讓用戶更容易找到他們需要的資訊。
7. 哪些網站可以受益於結構化資料？
答：任何有在搜索引擎中被檢索的網站都可以受益於結構化資料，尤其是電商網站、新聞網站和地方業務。
8. 結構化資料是怎樣幫助搜索引擎更好地理解內容？
答：結構化資料提供了更多關於網頁內容的上下文，包括內容的類型、屬性和關係，使搜索引擎更容易理解和索引。
9. 是否每個網站都應該使用結構化資料？
答：雖然不是每個網站都需要結構化資料，但對於希望在搜索引擎中突出顯示的網站來說，使用結構化資料是一個很好的策略。
10. 結構化資料對SEO有多重要？
答：結構化資料可以提高您的網站在搜索結果中的顯示效果，吸引更多的點擊和流量，因此對SEO非常重要。
0
0
10 0
拍手
留言
分享
Line
複製連結
收藏
你可能感興趣的教室