与电子表格的比较# 由于许多潜在的 pandas 用户对Excel等电子表格程序有一定的熟悉 ，因此本页面旨在提供一些示例，说明如何使用 pandas 执行各种电子表格操作。本页面将使用 Excel 的术语和文档链接，但Google Sheets、 LibreOffice Calc、 Apple Numbers和其他与 Excel 兼容的电子表格软件中的许多内容将相同/相似 。 如果您是 pandas 新手，您可能需要先阅读10 分钟了解 pandas 以熟悉该库。 按照惯例，我们导入 pandas 和 NumPy，如下所示： In [1]: import pandas as pd In [2]: import numpy as np 数据结构＃ 通用术语翻译# 熊猫 Excel DataFrame 工作表 Series 柱子 Index 行标题 排 排 NaN 空单元格 DataFrame# pandas 中的ADataFrame类似于 Excel 工作表。虽然 Excel 工作簿可以包含多个工作表，但 pandasDataFrame是独立存在的。 Series# ASeries是表示 a 的一列的数据结构DataFrame。使用 a Series类似于引用电子表格的列。 Index# 每个DataFrame和Series都有一个Index，它们是数据行上的标签。在 pandas 中，如果未指定索引，则RangeIndex默认使用 a（第一行 = 0，第二行 = 1，依此类推），类似于电子表格中的行标题/数字。 在 pandas 中，索引可以设置为一个（或多个）唯一值，就像工作表中有一列用作行标识符一样。与大多数电子表格不同，这些Index值实际上可用于引用行。 （请注意，这可以在 Excel 中通过结构化引用来完成。）例如，在电子表格中，您可以将第一行引用为A1:Z1，而在 pandas 中您可以使用populations.loc['Chicago']。 索引值也是持久的，因此如果您对 a 中的行重新排序DataFrame，特定行的标签不会更改。 有关如何有效使用的更多信息，请参阅索引文档Index 。 副本与就地操作# Series大多数 pandas 操作都会返回/的副本DataFrame。要使更改“坚持”，您需要分配给一个新变量： sorted_df = df.sort_values("col1") 或者覆盖原来的： df = df.sort_values("col1") 笔记 您将看到某些方法可使用inplace=Trueor关键字参数：copy=False df.replace(5, inplace=True) inplace关于弃用和删除以及copy对于大多数方法（例如dropna），除了极小的方法子集（包括replace）之外，存在着积极的讨论。在 Copy-on-Write 上下文中，这两个关键字不再是必需的。该提案可以 在这里找到。 数据输入/输出# 从值构造一个 DataFrame # 在电子表格中，可以将值直接键入到单元格中。 pandasDataFrame可以通过多种不同的方式构建，但对于少量值，将其指定为 Python 字典通常很方便，其中键是列名，值是数据。 In [3]: df = pd.DataFrame({"x": [1, 3, 5], "y": [2, 4, 6]}) In [4]: df Out[4]: x y 0 1 2 1 3 4 2 5 6 读取外部数据# Excel 和pandas都可以从各种来源以各种格式导入数据。 CSV # 让我们加载并显示 pandas 测试中的提示数据集，这是一个 CSV 文件。在 Excel 中，您将下载并 打开 CSV。在 pandas 中，您将 CSV 文件的 URL 或本地路径传递给read_csv()： In [5]: url = ( ...: "https://raw.githubusercontent.com/pandas-dev" ...: "/pandas/main/pandas/tests/io/data/csv/tips.csv" ...: ) ...: In [6]: tips = pd.read_csv(url) In [7]: tips Out[7]: total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 29.03 5.92 Male No Sat Dinner 3 240 27.18 2.00 Female Yes Sat Dinner 2 241 22.67 2.00 Male Yes Sat Dinner 2 242 17.82 1.75 Male No Sat Dinner 2 243 18.78 3.00 Female No Thur Dinner 2 [244 rows x 7 columns] 与Excel 的文本导入向导一样， read_csv可以采用许多参数来指定应如何解析数据。例如，如果数据是制表符分隔的，并且没有列名，则 pandas 命令将为： tips = pd.read_csv("tips.csv", sep="\t", header=None) # alternatively, read_table is an alias to read_csv with tab delimiter tips = pd.read_table("tips.csv", header=None) Excel 文件# Excel 通过双击或使用“打开”菜单打开各种 Excel 文件格式。在 pandas 中，您可以使用特殊的方法来读取和写入 Excel 文件。 我们首先根据上例中的数据框创建一个新的 Excel 文件：tips tips.to_excel("./tips.xlsx") 如果您希望随后访问文件中的数据tips.xlsx，可以使用以下命令将其读入模块中 tips_df = pd.read_excel("./tips.xlsx", index_col=0) 您刚刚使用 pandas 读取了 Excel 文件！ 限制输出# 电子表格程序一次仅显示一屏数据，然后允许您滚动，因此实际上不需要限制输出。在 pandas 中，您需要多花点心思来控制DataFrames 的显示方式。 默认情况下，pandas 会截断大DataFrames 的输出以显示第一行和最后一行。这可以通过更改 pandas 选项或使用 DataFrame.head()或来覆盖DataFrame.tail()。 In [8]: tips.head(5) Out[8]: total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4 导出数据# 默认情况下，桌面电子表格软件将保存为其各自的文件格式（.xlsx、.ods等）。但是，您可以保存为其他文件格式。 pandas 可以创建 Excel 文件、 CSV或许多其他格式。 数据操作# 对列的操作# 在电子表格中， 通常在各个单元格中创建公式，然后将其拖到 其他单元格中以计算其他列的公式。在 pandas 中，您可以直接对整个列进行操作。 Seriespandas 通过指定 .pandas文件中的 个体来提供矢量化操作DataFrame。可以用相同的方式分配新列。该DataFrame.drop()方法从 中删除一列DataFrame。 In [9]: tips["total_bill"] = tips["total_bill"] - 2 In [10]: tips["new_bill"] = tips["total_bill"] / 2 In [11]: tips Out[11]: total_bill tip sex smoker day time size new_bill 0 14.99 1.01 Female No Sun Dinner 2 7.495 1 8.34 1.66 Male No Sun Dinner 3 4.170 2 19.01 3.50 Male No Sun Dinner 3 9.505 3 21.68 3.31 Male No Sun Dinner 2 10.840 4 22.59 3.61 Female No Sun Dinner 4 11.295 .. ... ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 13.515 240 25.18 2.00 Female Yes Sat Dinner 2 12.590 241 20.67 2.00 Male Yes Sat Dinner 2 10.335 242 15.82 1.75 Male No Sat Dinner 2 7.910 243 16.78 3.00 Female No Thur Dinner 2 8.390 [244 rows x 8 columns] In [12]: tips = tips.drop("new_bill", axis=1) 请注意，我们不必告诉它逐个单元地进行减法——pandas 会为我们处理这个问题。了解如何创建从现有列派生的新列。 过滤# 在 Excel 中，过滤是通过图形菜单完成的。 DataFrames 可以通过多种方式进行过滤；其中最直观的是使用 布尔索引。 In [13]: tips[tips["total_bill"] > 10] Out[13]: total_bill tip sex smoker day time size 0 14.99 1.01 Female No Sun Dinner 2 2 19.01 3.50 Male No Sun Dinner 3 3 21.68 3.31 Male No Sun Dinner 2 4 22.59 3.61 Female No Sun Dinner 4 5 23.29 4.71 Male No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 240 25.18 2.00 Female Yes Sat Dinner 2 241 20.67 2.00 Male Yes Sat Dinner 2 242 15.82 1.75 Male No Sat Dinner 2 243 16.78 3.00 Female No Thur Dinner 2 [204 rows x 7 columns] 上面的语句只是将一个Seriesof True/False对象传递给 DataFrame，返回所有带有True. In [14]: is_dinner = tips["time"] == "Dinner" In [15]: is_dinner Out[15]: 0 True 1 True 2 True 3 True 4 True ... 239 True 240 True 241 True 242 True 243 True Name: time, Length: 244, dtype: bool In [16]: is_dinner.value_counts() Out[16]: time True 176 False 68 Name: count, dtype: int64 In [17]: tips[is_dinner] Out[17]: total_bill tip sex smoker day time size 0 14.99 1.01 Female No Sun Dinner 2 1 8.34 1.66 Male No Sun Dinner 3 2 19.01 3.50 Male No Sun Dinner 3 3 21.68 3.31 Male No Sun Dinner 2 4 22.59 3.61 Female No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 240 25.18 2.00 Female Yes Sat Dinner 2 241 20.67 2.00 Male Yes Sat Dinner 2 242 15.82 1.75 Male No Sat Dinner 2 243 16.78 3.00 Female No Thur Dinner 2 [176 rows x 7 columns] 如果/那么逻辑# 假设我们要根据 是小于还是大于 10 美元来创建一个bucket值为low和的列。hightotal_bill 在电子表格中，可以通过条件公式进行逻辑比较。我们将使用 的公式，将其拖至新 列中的所有单元格。=IF(A2 < 10, "low", "high")bucket wherepandas 中的相同操作可以使用中的方法完成numpy。 In [18]: tips["bucket"] = np.where(tips["total_bill"] < 10, "low", "high") In [19]: tips Out[19]: total_bill tip sex smoker day time size bucket 0 14.99 1.01 Female No Sun Dinner 2 high 1 8.34 1.66 Male No Sun Dinner 3 low 2 19.01 3.50 Male No Sun Dinner 3 high 3 21.68 3.31 Male No Sun Dinner 2 high 4 22.59 3.61 Female No Sun Dinner 4 high .. ... ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 high 240 25.18 2.00 Female Yes Sat Dinner 2 high 241 20.67 2.00 Male Yes Sat Dinner 2 high 242 15.82 1.75 Male No Sat Dinner 2 high 243 16.78 3.00 Female No Thur Dinner 2 high [244 rows x 8 columns] 日期功能# 本节将提到“日期”，但时间戳的处理方式类似。 我们可以将日期功能分为两部分：解析和输出。在电子表格中，日期值通常会自动解析，但 如果需要，可以使用DATEVALUE函数。在 pandas 中，您需要在从 CSV 读取时或在 DataFrame 中显式地将纯文本转换为日期时间对象。 解析后，电子表格会以默认格式显示日期，但可以更改格式。在 pandas 中，您通常希望datetime在使用日期进行计算时将日期保留为对象。输出部分日期（例如年份）是通过电子表格中的日期函数 和pandas 中的日期时间属性完成的。 给定电子表格的列和中date1，您可能有以下公式：date2AB 柱子 公式 date1_year =YEAR(A2) date2_month =MONTH(B2) date1_next =DATE(YEAR(A2),MONTH(A2)+1,1) months_between =DATEDIF(A2,B2,"M") 等效的 pandas 操作如下所示。 In [20]: tips["date1"] = pd.Timestamp("2013-01-15") In [21]: tips["date2"] = pd.Timestamp("2015-02-15") In [22]: tips["date1_year"] = tips["date1"].dt.year In [23]: tips["date2_month"] = tips["date2"].dt.month In [24]: tips["date1_next"] = tips["date1"] + pd.offsets.MonthBegin() In [25]: tips["months_between"] = tips["date2"].dt.to_period("M") - tips[ ....: "date1" ....: ].dt.to_period("M") ....: In [26]: tips[ ....: ["date1", "date2", "date1_year", "date2_month", "date1_next", "months_between"] ....: ] ....: Out[26]: date1 date2 date1_year date2_month date1_next months_between 0 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 1 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 2 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 3 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 4 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> .. ... ... ... ... ... ... 239 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 240 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 241 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 242 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> 243 2013-01-15 2015-02-15 2013 2 2013-02-01 <25 * MonthEnds> [244 rows x 6 columns] 有关更多详细信息，请参阅时间序列/日期功能。 列的选择# 在电子表格中，您可以通过以下方式选择所需的列： 隐藏列 删除列 将一个工作表中的范围引用到另一个工作表中 由于电子表格列通常在标题行中命名，因此重命名列只需更改第一个单元格中的文本即可。 下面的 pandas 表达了相同的操作。 保留某些列# In [27]: tips[["sex", "total_bill", "tip"]] Out[27]: sex total_bill tip 0 Female 14.99 1.01 1 Male 8.34 1.66 2 Male 19.01 3.50 3 Male 21.68 3.31 4 Female 22.59 3.61 .. ... ... ... 239 Male 27.03 5.92 240 Female 25.18 2.00 241 Male 20.67 2.00 242 Male 15.82 1.75 243 Female 16.78 3.00 [244 rows x 3 columns] 删除一列# In [28]: tips.drop("sex", axis=1) Out[28]: total_bill tip smoker day time size 0 14.99 1.01 No Sun Dinner 2 1 8.34 1.66 No Sun Dinner 3 2 19.01 3.50 No Sun Dinner 3 3 21.68 3.31 No Sun Dinner 2 4 22.59 3.61 No Sun Dinner 4 .. ... ... ... ... ... ... 239 27.03 5.92 No Sat Dinner 3 240 25.18 2.00 Yes Sat Dinner 2 241 20.67 2.00 Yes Sat Dinner 2 242 15.82 1.75 No Sat Dinner 2 243 16.78 3.00 No Thur Dinner 2 [244 rows x 6 columns] 重命名列# In [29]: tips.rename(columns={"total_bill": "total_bill_2"}) Out[29]: total_bill_2 tip sex smoker day time size 0 14.99 1.01 Female No Sun Dinner 2 1 8.34 1.66 Male No Sun Dinner 3 2 19.01 3.50 Male No Sun Dinner 3 3 21.68 3.31 Male No Sun Dinner 2 4 22.59 3.61 Female No Sun Dinner 4 .. ... ... ... ... ... ... ... 239 27.03 5.92 Male No Sat Dinner 3 240 25.18 2.00 Female Yes Sat Dinner 2 241 20.67 2.00 Male Yes Sat Dinner 2 242 15.82 1.75 Male No Sat Dinner 2 243 16.78 3.00 Female No Thur Dinner 2 [244 rows x 7 columns] 按值排序# 电子表格中的排序是通过排序对话框完成的。 pandas 有一个DataFrame.sort_values()方法，它需要一个列列表来排序。 In [30]: tips = tips.sort_values(["sex", "total_bill"]) In [31]: tips Out[31]: total_bill tip sex smoker day time size 67 1.07 1.00 Female Yes Sat Dinner 1 92 3.75 1.00 Female Yes Fri Dinner 2 111 5.25 1.00 Female No Sat Dinner 1 145 6.35 1.50 Female No Thur Lunch 2 135 6.51 1.25 Female No Thur Lunch 2 .. ... ... ... ... ... ... ... 182 43.35 3.50 Male Yes Sun Dinner 3 156 46.17 5.00 Male No Sun Dinner 6 59 46.27 6.73 Male No Sat Dinner 4 212 46.33 9.00 Male No Sat Dinner 4 170 48.81 10.00 Male Yes Sat Dinner 3 [244 rows x 7 columns] 字符串处理# 求字符串的长度# 在电子表格中，可以使用LEN函数找到文本中的字符数 。这可以与TRIM 函数一起使用来删除多余的空格。 =LEN(TRIM(A2)) 您可以使用 求出字符串的长度Series.str.len()。在Python 3中，所有字符串都是Unicode字符串。len包括尾随空格。使用len和rstrip排除尾随空格。 In [32]: tips["time"].str.len() Out[32]: 67 6 92 6 111 6 145 5 135 5 .. 182 6 156 6 59 6 212 6 170 6 Name: time, Length: 244, dtype: int64 In [33]: tips["time"].str.rstrip().str.len() Out[33]: 67 6 92 6 111 6 145 5 135 5 .. 182 6 156 6 59 6 212 6 170 6 Name: time, Length: 244, dtype: int64 请注意，这仍然会在字符串中包含多个空格，因此并不是 100% 等效。 查找子串的位置# FIND电子表格函数 返回子字符串的位置，第一个字符为1。 您可以使用该方法查找字符串列中字符的位置Series.str.find() 。find搜索子字符串的第一个位置。如果找到子字符串，该方法将返回其位置。如果没有找到，则返回-1。请记住，Python 索引是从零开始的。 In [34]: tips["sex"].str.find("ale") Out[34]: 67 3 92 3 111 3 145 3 135 3 .. 182 1 156 1 59 1 212 1 170 1 Name: sex, Length: 244, dtype: int64 按位置提取子字符串# 电子表格具有用于 从给定位置提取子字符串的MID公式。获取第一个字符： =MID(A2,1,1) 使用 pandas，您可以使用[]符号按位置位置从字符串中提取子字符串。请记住，Python 索引是从零开始的。 In [35]: tips["sex"].str[0:1] Out[35]: 67 F 92 F 111 F 145 F 135 F .. 182 M 156 M 59 M 212 M 170 M Name: sex, Length: 244, dtype: object 提取第n个单词# 在 Excel 中，您可以使用文本分列向导 来拆分文本并检索特定列。 （请注意，也可以通过公式来完成此操作。） 在 pandas 中提取单词的最简单方法是用空格分割字符串，然后通过索引引用单词。请注意，如果您需要的话，还有更强大的方法。 In [36]: firstlast = pd.DataFrame({"String": ["John Smith", "Jane Cook"]}) In [37]: firstlast["First_Name"] = firstlast["String"].str.split(" ", expand=True)[0] In [38]: firstlast["Last_Name"] = firstlast["String"].str.rsplit(" ", expand=True)[1] In [39]: firstlast Out[39]: String First_Name Last_Name 0 John Smith John Smith 1 Jane Cook Jane Cook 更改大小写# 电子表格提供UPPER、LOWER 和 PROPER 函数， 分别用于将文本转换为大写、小写和标题大小写。 等效的 pandas 方法是Series.str.upper()、Series.str.lower()和 Series.str.title()。 In [40]: firstlast = pd.DataFrame({"string": ["John Smith", "Jane Cook"]}) In [41]: firstlast["upper"] = firstlast["string"].str.upper() In [42]: firstlast["lower"] = firstlast["string"].str.lower() In [43]: firstlast["title"] = firstlast["string"].str.title() In [44]: firstlast Out[44]: string upper lower title 0 John Smith JOHN SMITH john smith John Smith 1 Jane Cook JANE COOK jane cook Jane Cook 合并# 合并示例中将使用下表： In [45]: df1 = pd.DataFrame({"key": ["A", "B", "C", "D"], "value": np.random.randn(4)}) In [46]: df1 Out[46]: key value 0 A 0.469112 1 B -0.282863 2 C -1.509059 3 D -1.135632 In [47]: df2 = pd.DataFrame({"key": ["B", "D", "D", "E"], "value": np.random.randn(4)}) In [48]: df2 Out[48]: key value 0 B 1.212112 1 D -0.173215 2 D 0.119209 3 E -1.044236 在Excel中，可以通过VLOOKUP来完成表格的合并。 pandas DataFrames 有一个merge()方法，提供类似的功能。数据不必提前排序，不同的连接类型通过关键字完成 how。 In [49]: inner_join = df1.merge(df2, on=["key"], how="inner") In [50]: inner_join Out[50]: key value_x value_y 0 B -0.282863 1.212112 1 D -1.135632 -0.173215 2 D -1.135632 0.119209 In [51]: left_join = df1.merge(df2, on=["key"], how="left") In [52]: left_join Out[52]: key value_x value_y 0 A 0.469112 NaN 1 B -0.282863 1.212112 2 C -1.509059 NaN 3 D -1.135632 -0.173215 4 D -1.135632 0.119209 In [53]: right_join = df1.merge(df2, on=["key"], how="right") In [54]: right_join Out[54]: key value_x value_y 0 B -0.282863 1.212112 1 D -1.135632 -0.173215 2 D -1.135632 0.119209 3 E NaN -1.044236 In [55]: outer_join = df1.merge(df2, on=["key"], how="outer") In [56]: outer_join Out[56]: key value_x value_y 0 A 0.469112 NaN 1 B -0.282863 1.212112 2 C -1.509059 NaN 3 D -1.135632 -0.173215 4 D -1.135632 0.119209 5 E NaN -1.044236 merge与以下相比有许多优点VLOOKUP： 查找值不需要是查找表的第一列 如果匹配多行，则每次匹配将有一行，而不仅仅是第一行 它将包括查找表中的所有列，而不仅仅是单个指定列 它支持更复杂的连接操作 其他注意事项# 填充句柄# 在一组特定的单元格中按照设定的模式创建一系列数字。在电子表格中，可以通过在输入第一个数字后按住 Shift 键并拖动来完成此操作，或者通过输入前两个或三个值然后拖动来完成。 这可以通过创建一个系列并将其分配给所需的单元格来实现。 In [57]: df = pd.DataFrame({"AAA": [1] * 8, "BBB": list(range(0, 8))}) In [58]: df Out[58]: AAA BBB 0 1 0 1 1 1 2 1 2 3 1 3 4 1 4 5 1 5 6 1 6 7 1 7 In [59]: series = list(range(1, 5)) In [60]: series Out[60]: [1, 2, 3, 4] In [61]: df.loc[2:5, "AAA"] = series In [62]: df Out[62]: AAA BBB 0 1 0 1 1 1 2 1 2 3 2 3 4 3 4 5 4 5 6 1 6 7 1 7 删除重复项# Excel 具有删除重复值的内置功能。 pandas 通过drop_duplicates(). In [63]: df = pd.DataFrame( ....: { ....: "class": ["A", "A", "A", "B", "C", "D"], ....: "student_count": [42, 35, 42, 50, 47, 45], ....: "all_pass": ["Yes", "Yes", "Yes", "No", "No", "Yes"], ....: } ....: ) ....: In [64]: df.drop_duplicates() Out[64]: class student_count all_pass 0 A 42 Yes 1 A 35 Yes 3 B 50 No 4 C 47 No 5 D 45 Yes In [65]: df.drop_duplicates(["class", "student_count"]) Out[65]: class student_count all_pass 0 A 42 Yes 1 A 35 Yes 3 B 50 No 4 C 47 No 5 D 45 Yes 数据透视表# 电子表格中的数据透视表 可以通过重塑和数据透视表复制到 pandas 中。再次使用tips数据集，让我们根据聚会人数和服务员性别找到平均小费。 在 Excel 中，我们对数据透视表使用以下配置： pandas 中的等价物： In [66]: pd.pivot_table( ....: tips, values="tip", index=["size"], columns=["sex"], aggfunc=np.average ....: ) ....: Out[66]: sex Female Male size 1 1.276667 1.920000 2 2.528448 2.614184 3 3.250000 3.476667 4 4.021111 4.172143 5 5.140000 3.750000 6 4.600000 5.850000 添加一行# 假设我们使用 a RangeIndex（编号0、1等），我们可以使用concat()在 a 的底部添加一行DataFrame。 In [67]: df Out[67]: class student_count all_pass 0 A 42 Yes 1 A 35 Yes 2 A 42 Yes 3 B 50 No 4 C 47 No 5 D 45 Yes In [68]: new_row = pd.DataFrame([["E", 51, True]], ....: columns=["class", "student_count", "all_pass"]) ....: In [69]: pd.concat([df, new_row]) Out[69]: class student_count all_pass 0 A 42 Yes 1 A 35 Yes 2 A 42 Yes 3 B 50 No 4 C 47 No 5 D 45 Yes 0 E 51 True 查找和替换＃ Excel 的“查找”对话框 将您带到一一匹配的单元格。在 pandas 中，此操作通常是针对整个列或通过条件表达式DataFrame一次性完成。 In [70]: tips Out[70]: total_bill tip sex smoker day time size 67 1.07 1.00 Female Yes Sat Dinner 1 92 3.75 1.00 Female Yes Fri Dinner 2 111 5.25 1.00 Female No Sat Dinner 1 145 6.35 1.50 Female No Thur Lunch 2 135 6.51 1.25 Female No Thur Lunch 2 .. ... ... ... ... ... ... ... 182 43.35 3.50 Male Yes Sun Dinner 3 156 46.17 5.00 Male No Sun Dinner 6 59 46.27 6.73 Male No Sat Dinner 4 212 46.33 9.00 Male No Sat Dinner 4 170 48.81 10.00 Male Yes Sat Dinner 3 [244 rows x 7 columns] In [71]: tips == "Sun" Out[71]: total_bill tip sex smoker day time size 67 False False False False False False False 92 False False False False False False False 111 False False False False False False False 145 False False False False False False False 135 False False False False False False False .. ... ... ... ... ... ... ... 182 False False False False True False False 156 False False False False True False False 59 False False False False False False False 212 False False False False False False False 170 False False False False False False False [244 rows x 7 columns] In [72]: tips["day"].str.contains("S") Out[72]: 67 True 92 False 111 True 145 False 135 False ... 182 True 156 True 59 True 212 True 170 True Name: day, Length: 244, dtype: bool pandas'replace()与 Excel 的.Replace All In [73]: tips.replace("Thu", "Thursday") Out[73]: total_bill tip sex smoker day time size 67 1.07 1.00 Female Yes Sat Dinner 1 92 3.75 1.00 Female Yes Fri Dinner 2 111 5.25 1.00 Female No Sat Dinner 1 145 6.35 1.50 Female No Thur Lunch 2 135 6.51 1.25 Female No Thur Lunch 2 .. ... ... ... ... ... ... ... 182 43.35 3.50 Male Yes Sun Dinner 3 156 46.17 5.00 Male No Sun Dinner 6 59 46.27 6.73 Male No Sat Dinner 4 212 46.33 9.00 Male No Sat Dinner 4 170 48.81 10.00 Male Yes Sat Dinner 3 [244 rows x 7 columns]