1. 查看一部分数据
我们可以使用 head() 和 tail() 方法来查看 Series 对象或 DataFrame 对象的一小部分数据，默认查看的元素个数为 5 个，head() 展示头部的 5 个元素，tail() 展示尾部的 5 个元素，也可以自定义展示的元素个数。当 Series 对象或 DataFrame 对象包含的数据较多时，使用 head() 或 tail() 查看数据的结构会非常方便。
1.1 Series 对象
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.head())
复制代码
由于没有明确指定展示的元素个数，上面的代码默认输出了 Series 对象头部的 5 个元素。
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.head(3))
复制代码
由于指定了展示的元素个数为 3，所以上面的代码输出了 Series 对象头部的 3 个元素。
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.tail())
复制代码
由于没有明确指定展示的元素个数，上面的代码默认输出了 Series 对象尾部的 5 个元素。
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.tail(3))
复制代码
由于指定了展示的元素个数为 3，所以上面的代码输出了 Series 对象尾部的 3 个元素。
1.2 DataFrame 对象
import pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, 142, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)print(df.head())
复制代码
由于没有明确指定展示的行数，上面的代码默认输出了 DataFrame 对象头部的 5 行元素。
import pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, 142, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)print(df.head(3))
复制代码
由于指定了展示的行数为 3，所以上面的代码输出了 DataFrame 对象头部的 3 行元素。
import pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, 142, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)print(df.tail())
复制代码
由于没有明确指定展示的行数，上面的代码默认输出了 DataFrame 对象尾部的 5 行元素。
import pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, 142, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)print(df.tail(3))
复制代码
由于指定了展示的行数为 3，所以上面的代码输出了 DataFrame 对象尾部的 3 行元素。
2. 查看属性及数据
2.1 属性
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.index)print(my_series.shape)
复制代码
上述代码查看了 Series 对象 my_series 的索引和形状。
import pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, 142, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
print(df.index)print(df.columns)print(df.shape)
复制代码
上述代码查看了 DataFrame 对象 df 的行、列索引以及形状。
2.2 数据
在过去，pandas 建议使用 Series.values 或 DataFrame.values 从 Series 对象 或 DataFrame 对象中提取数据。现在，建议避免使用 .values 而改用 .to_numpy()，因为 .values 有一些缺陷。
2.2.1 Series 对象
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.to_numpy())print(type(my_series.to_numpy()))
复制代码
上述代码获取了 Series 对象的数据，类型为 ndarray。
2.2.2 DataFrame 对象
import pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, 142, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
print(df.to_numpy())print(type(df.to_numpy()))
复制代码
上述代码获取了 DataFrame 对象的数据，类型为 ndarray。
3. 查看统计信息
对于 Series、DataFrame 对象来说，pandas 有许多方法用来计算它们的描述统计。这其中的大多数为聚合类方法，例如：sum()、mean()、cumsum()、cumprod() 等。对于 Series 对象来说，这些方法不需要指定 axis 参数，对于 DataFrame 对象来说，这些方法需要指定 axis 参数，axis 参数的值可以是名字或者数字。当参数的值为 index 或 0 时，表示按列进行计算；当参数的值为 columns 或 1 时，表示按行进行计算。
3.1 Series 对象
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.sum())print(my_series.mean())print(my_series.cumsum())print(my_series.cumprod())
复制代码
sum() 函数计算的是所有元素的和（除去 np.NaN）。mean() 函数计算的是所有元素的平均值（除去 np.NaN）。cumsum() 函数计算的是所有元素的累计和（除去 np.NaN）。cumprod() 函数计算的是所有元素的累计积（除去 np.NaN）。当上述函数什么参数都不设置时，在进行计算时，默认是忽略 np.NaN 值的。如果不想忽略 np.NaN 的值，可以设置 skipna 参数。例如：
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.sum(skipna=False))print(my_series.mean(skipna=False))print(my_series.cumsum(skipna=False))print(my_series.cumprod(skipna=False))
复制代码
上述代码在计算时，便没有忽略 np.NaN。
3.2 DataFrame 对象
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
# 按列进行计算，忽略 np.NaNprint(df.sum(axis=0))print(df.sum(axis='index'))
print(df.mean(axis=0))print(df.mean(axis='index'))
print(df.cumsum(axis=0))print(df.cumsum(axis='index'))
print(df.cumprod(axis=0))print(df.cumprod(axis='index'))
# 按行进行计算，忽略 np.NaNprint(df.sum(axis=1))print(df.sum(axis='columns'))
print(df.mean(axis=1))print(df.mean(axis='columns'))
print(df.cumsum(axis=1))print(df.cumsum(axis='columns'))
print(df.cumprod(axis=1))print(df.cumprod(axis='columns'))
复制代码
上述代码分别按行和列进行了 sum()、mean()、cumsum() 和 cumprod() 运算。在进行计算时，忽略了 np.NaN。如果不想忽略 np.NaN 的值，可以设置 skipna 参数。例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
# 按列进行计算，忽略 np.NaNprint(df.sum(axis=0, skipna=False))print(df.sum(axis='index', skipna=False))
print(df.mean(axis=0, skipna=False))print(df.mean(axis='index', skipna=False))
print(df.cumsum(axis=0, skipna=False))print(df.cumsum(axis='index', skipna=False))
print(df.cumprod(axis=0, skipna=False))print(df.cumprod(axis='index', skipna=False))
# 按行进行计算，忽略 np.NaNprint(df.sum(axis=1, skipna=False))print(df.sum(axis='columns', skipna=False))
print(df.mean(axis=1, skipna=False))print(df.mean(axis='columns', skipna=False))
print(df.cumsum(axis=1, skipna=False))print(df.cumsum(axis='columns', skipna=False))
print(df.cumprod(axis=1, skipna=False))print(df.cumprod(axis='columns', skipna=False))
复制代码
除了上面的函数外，还有一些函数，见下表：
4. describe() 函数
pandas 还有一个方便的函数 describe()，可以一次产生多个汇总统计，在进行计算时，排除了 np.NaN。例如：
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2, np.NaN, 8, 1, -9]))
print(my_series.describe())
复制代码
上面代码的输出结果中，count 表示元素的个数；mean 表示元素的平均值；std 表示元素的标准差；min 表示元素的最小值；25% 表示元素的第一四分位数；50% 表示元素的第二四分位数；75% 表示元素的第三四分位数；max 表示元素的最大值。当把 describe() 函数用于 DataFrame 对象时，是对每一列进行汇总统计。例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
print(df.describe())
复制代码
上述代码输出了 DataFrame 对象每列的统计信息。当 describe() 没有参数设置时，默认输出了第一四分位数、第二四分位数、第三四分位数。我们还可以通过设置参数 percentiles，来指定输出哪些百分位数。例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-02', '2021-07-06', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
print(df.describe(percentiles=[0.05, 0.25, 0.75, 0.95]))
复制代码
在 percentiles 里没有指定 0.5，因为中位数是默认包含的。上面 Series 对象中元素的类型为数字，当元素的类型为非数字时，describe() 函数会给出每个元素的次数以及所有元素中的最高次数。例如：
import numpy as npimport pandas as pd
s = pd.Series(["a", "a", "b", "b", "a", "a", np.NaN, "c", "d", "a"])
print(s.describe())
复制代码
上述代码的输出结果中，count 表示元素的个数；unique 表示不同元素的个数；top 表示出现次数最高的元素；freq 表示出现次数最高的元素的次数。当 DataFrame 对象中既有数字的列也有非数字的列，在不设置参数的情况下，describe() 会只对数字的列进行统计计算，例如：
import numpy as npimport pandas as pd
frame = pd.DataFrame({"a": ["Yes", "Yes", "No", "No"], "b": range(4)})
print(frame.describe())
复制代码
上面代码的输出结果只对 b 列进行了统计计算。当然，对哪些类型的列进行计算，我们也可以用参数进行控制。例如：
import numpy as npimport pandas as pd
frame = pd.DataFrame({"a": ["Yes", "Yes", "No", "No"], "b": range(4)})
print(frame.describe(include=['object']))
复制代码
当 include 参数的值为 object 时，只计算非数字列的统计信息。
import numpy as npimport pandas as pd
frame = pd.DataFrame({"a": ["Yes", "Yes", "No", "No"], "b": range(4)})
print(frame.describe(include=['number']))
复制代码
当 include 参数的值为 number 时，只计算数字列的统计信息。
import numpy as npimport pandas as pd
frame = pd.DataFrame({"a": ["Yes", "Yes", "No", "No"], "b": range(4)})
print(frame.describe(include='all'))
复制代码
当 include 参数的值为 all 时，计算所有列的统计信息，数字列按照数字列的规则，非数字列按照非数字列的规则。
5. 排序
5.1 按索引排序
根据条件对数据集排序是很常见的一种操作，要对行或列索引进行排序（按字典顺序），可使用 sort_index 方法，它将返回一个已排序的新对象，例如：
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2]), index=["b", "e", "c", "d", "a", "f"])
# 排序前print(my_series)
# 排序后print(my_series.sort_index())
复制代码
上面代码中，调用 sort_index() 之后，索引按照字典序进行了升序排序。我们也可以按照降序进行排序，只需要传入参数 ascending=False，例如：
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, -5, 3, 2]), index=["b", "e", "c", "d", "a", "f"])
# 排序前print(my_series)
# 排序后print(my_series.sort_index(ascending=False))
复制代码
对于 DataFrame 对象来说，可以根据任意一个轴上的索引进行排序，例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
# 排序前print(df)
# 排序后print(df.sort_index())
复制代码
上面代码中，对 DataFrame 对象按照行索引进行了升序排序。当不传入参数时，默认按照行索引进行升序排序，我们也可以通过指定参数来按照列索引进行排序。例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
# 排序前print(df)
# 排序后print(df.sort_index(axis=1))
复制代码
上面代码中，按照列索引进行了升序排序。上面都是按照升序进行排序，和 Series 对象一样，我们可以通过指定参数，使得按照降序进行排序。例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, np.NaN, 142, 144], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
# 排序前print(df)
# 排序后# 按列索引进行降序排序print(df.sort_index(axis=1, ascending=False))
# 按行索引进行降序排序print(df.sort_index(ascending=False))
复制代码
5.2 按值进行排序
上面是按索引进行排序，如果要按值进行排序，可以使用 sort_values 方法。例如：
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, np.NaN, 3, 2]), index=["b", "e", "c", "d", "a", "f"])
# 排序前print(my_series)
# 排序后print(my_series.sort_values())
复制代码
上面的代码按照值进行了升序排序，在排序时，任何缺失值默认都会被放到末尾。同样地，我们可以通过指定排序的顺序，使得值按照降序进行排序，例如：
import numpy as npimport pandas as pd
my_series = pd.Series(np.array([4, -7, 6, np.NaN, 3, 2]), index=["b", "e", "c", "d", "a", "f"])
# 排序前print(my_series)
# 排序后print(my_series.sort_values(ascending=False))
复制代码
上面的代码按照值进行了降序排序。
当对一个 DataFrame 对象进行排序时，你可能希望根据一个或多个列中的值进行排序。将一个或多个列的名字传递给 sort_values 的 by 选项即可达到该目的。例如：
import numpy as npimport pandas as pd
d = { "Open": pd.Series([136, 137, 140, 143, 141, 142, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "High": pd.Series([137, 140, 143, 144, 144, 145, 146], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Low": pd.Series([135, 137, 140, 142, 140, 142, 144], index=['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12']), "Close": pd.Series([137, 139, np.NaN, 144, 143, 145, 144], index = ['2021-07-01', '2021-07-06', '2021-07-02', '2021-07-07', '2021-07-08', '2021-07-09', '2021-07-12'])}
df = pd.DataFrame(d)
# 排序前print(df)
# 按open列的值进行排序print(df.sort_values(by=['Open']))
# 按open列和High列进行排序print(df.sort_values(by=['High', 'Low']))
复制代码
评论