【python Pandas】算术运算与逻辑运算
文章目录
- Pandas 算术运算与逻辑运算
-
- 1. 算术运算
-
- 通俗的介绍：
- 学术概念：
- 2. 算术运算操作
-
- 2.1 对`Series`进行算术运算
-
- 2.1.1 加法操作
- 2.1.2 通过方法进行加法
- 2.2 对`DataFrame`进行算术运算
-
- 2.2.1 `DataFrame`加法
- 2.2.2 处理缺失值的加法
- 2.3 算术运算的广播
-
- 2.3.1 `Series`与`DataFrame`算术运算
- 3. 逻辑运算
-
- 3.1 基本的逻辑运算符
-
- 3.1.1 使用`&`（与）运算符
- 3.1.2 使用`|`（或）运算符
- 3.1.3 使用`~`（非）运算符
- 3.2 逻辑运算与条件筛选
-
- 3.2.1 筛选满足条件的数据
- 3.3 使用`np.where()`进行条件赋值
-
- 3.3.1 使用`np.where()`进行赋值
- 4. 总结
Pandas 算术运算与逻辑运算
1. 算术运算
在Pandas中，算术运算是对Series和DataFrame进行数学运算的基础操作。这些运算包括加法、减法、乘法、除法等，Pandas提供了丰富的方法来执行这些操作。算术运算可以通过对应的运算符或专用的方法完成。
通俗的介绍：
算术运算就像你在做数学题，给每个数做加法、减法、乘法或者除法等运算。你可以对表格中的每一行或每一列执行这些操作，Pandas会自动帮你做计算。
学术概念：
在Pandas中，算术运算指的是对Series或DataFrame中的数据执行数学操作，包括加法、减法、乘法、除法等。这些操作可以通过运算符直接进行，也可以使用Pandas提供的算术方法来执行，支持标量与向量化操作。通过这些操作，可以方便地处理和变换数据，为数据分析提供基础运算能力。
2. 算术运算操作
2.1 对Series进行算术运算
Series中的算术运算可以通过运算符或者add(), sub(), mul(), div()等方法进行。Pandas会对齐索引，确保两个Series的对应元素进行运算。
2.1.1 加法操作
示例1：两个Series相加
import pandas as pd
s1 = pd.Series([1, 2, 3], index=['a', 'b', 'c'])
s2 = pd.Series([4, 5, 6], index=['a', 'b', 'c'])
result = s1 + s2 # 使用加法运算符进行加法
print(result)
输出：
a 5
b 7
c 9
dtype: int64
2.1.2 通过方法进行加法
示例2：使用add()方法加法
result_method = s1.add(s2)
print(result_method)
输出：
a 5
b 7
c 9
dtype: int64
2.2 对DataFrame进行算术运算
在DataFrame中，算术运算可以对行和列之间的元素进行操作。默认情况下，Pandas会根据列的标签对齐数据。
2.2.1 DataFrame加法
示例3：两个DataFrame相加
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [7, 8, 9], 'B': [10, 11, 12]})
df_sum = df1 + df2
print(df_sum)
输出：
A B
0 8 14
1 10 16
2 12 18
2.2.2 处理缺失值的加法
如果两个DataFrame在某些位置没有数据（即存在NaN值），Pandas会自动忽略NaN值进行计算。你还可以指定fill_value来替代缺失值。
示例4：处理缺失值的加法
df1 = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df2 = pd.DataFrame({'A': [7, 8, None], 'B': [None, 11, 12]})
df_sum_fill = df1.add(df2, fill_value=0) # 用0填充缺失值
print(df_sum_fill)
输出：
A B
0 8 4.0
1 10 16.0
2 3 18.0
2.3 算术运算的广播
算术运算支持广播机制。也就是说，你可以对DataFrame和Series之间进行运算，即使它们的形状不同，只要它们的索引对齐。
2.3.1 Series与DataFrame算术运算
示例5：Series与DataFrame加法
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
s = pd.Series([1, 2], index=['A', 'B'])
df_plus_s = df + s
print(df_plus_s)
输出：
A B
0 2 5
1 4 7
2 5 8
3. 逻辑运算
在Pandas中，逻辑运算主要用于对Series或DataFrame的值进行条件判断，常见的操作包括“与” (&)、“或” (|)、“非” (~) 等。逻辑运算常常用于数据筛选与过滤。
3.1 基本的逻辑运算符
Pandas使用标准的Python逻辑运算符进行逻辑操作。需要注意的是，逻辑运算符如&和|用于逐元素比较，而不是直接的布尔值比较。
3.1.1 使用&（与）运算符
示例6：使用&运算符进行逻辑与运算
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
result = (df['A'] > 1) & (df['B'] < 6) # A > 1 且 B < 6
print(result)
输出：
0 False
1 True
2 True
dtype: bool
3.1.2 使用|（或）运算符
示例7：使用|运算符进行逻辑或运算
result = (df['A'] > 1) | (df['B'] < 6) # A > 1 或 B < 6
print(result)
输出：
0 True
1 True
2 True
dtype: bool
3.1.3 使用~（非）运算符
示例8：使用~运算符进行逻辑非运算
result = ~(df['A'] > 1) # 非 A > 1
print(result)
输出：
0 True
1 False
2 False
dtype: bool
3.2 逻辑运算与条件筛选
逻辑运算符通常与条件筛选结合使用，用于从DataFrame中筛选满足特定条件的数据。
3.2.1 筛选满足条件的数据
示例9：筛选符合条件的数据
df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [4, 5, 6, 7]})
filtered_df = df[(df['A'] > 2) & (df['B'] < 7)] # 筛选 A > 2 且 B < 7 的行
print(filtered_df)
输出：
A B
2 3 6
3.3 使用np.where()进行条件赋值
np.where()函数结合条件判断，可以用来根据条件进行赋值。它返回符合条件的元素值。
3.3.1 使用np.where()进行赋值
示例10：使用np.where()进行条件赋值
import numpy as np
df = pd.DataFrame({'A': [1, 2, 3, 4], 'B': [4, 5, 6, 7]})
df['C'] = np.where(df['A'] > 2, 'Yes', 'No') # A > 2 时赋值为 'Yes'
print(df)
输出：
A B C
0 1 4 No
1 2 5 No
2 3 6 Yes
3 4 7 Yes
4. 总结
Pandas的算术运算和逻辑运算是数据分析中非常常见的操作。通过算术运算，我们可以对Series和DataFrame进行元素级的数学操作，例如加法、减法、乘法、除法等。而通过逻辑运算，我们可以进行条件判断，筛选符合特定条件的数据。这些操作是数据清洗、转换