Python酷库之旅-第三方库Pandas(038)

CSDN 2024-08-13 08:35:02 阅读 63

目录

一、用法精讲

121、pandas.Series.radd方法

121-1、语法

121-2、参数

121-3、功能

121-4、返回值

121-5、说明

121-6、用法

121-6-1、数据准备

121-6-2、代码示例

121-6-3、结果输出

122、pandas.Series.rsub方法

122-1、语法

122-2、参数

122-3、功能

122-4、返回值

122-5、说明

122-6、用法

122-6-1、数据准备

122-6-2、代码示例

122-6-3、结果输出

123、pandas.Series.rmul方法

123-1、语法

123-2、参数

123-3、功能

123-4、返回值

123-5、说明

123-6、用法

123-6-1、数据准备

123-6-2、代码示例

123-6-3、结果输出

124、pandas.Series.rdiv方法

124-1、语法

124-2、参数

124-3、功能

124-4、返回值

124-5、说明

124-6、用法

124-6-1、数据准备

124-6-2、代码示例

124-6-3、结果输出

125、pandas.Series.rtruediv方法

125-1、语法

125-2、参数

125-3、功能

125-4、返回值

125-5、说明

125-6、用法

125-6-1、数据准备

125-6-2、代码示例

125-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

121、pandas.Series.radd方法
121-1、语法

<code># 121、pandas.Series.radd方法

pandas.Series.radd(other, level=None, fill_value=None, axis=0)

Return Addition of series and other, element-wise (binary operator radd).

Equivalent to other + series, but with support to substitute a fill_value for missing data in either one of the inputs.

Parameters:

other

Series or scalar value

level

int or name

Broadcast across a level, matching Index values on the passed MultiIndex level.

fill_value

None or float value, default None (NaN)

Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.

axis

{0 or ‘index’}

Unused. Parameter needed for compatibility with DataFrame.

Returns:

Series

The result of the operation.

121-2、参数

121-2-1、other(必须)标量、Series或DataFrame,表示要与当前Series进行相加的值,可以是一个数值,也可以是另一个SeriesDataFrame对象。

121-2-2、level(可选,默认值为None)一个整数或字符串,在进行加法运算时,指定使用的多级索引的级别,如果Series是多层索引,则可以通过这个参数选择特定的层次进行运算。

121-2-3、fill_value(可选,默认值为None)标量值,在进行加法运算时,指定缺失值应被视作的填充值,即如果在计算过程中某个位置的值缺失,则用这个填充值代替进行加法操作。

121-2-4、axis(可选,默认值为0)一个整数,指定运算沿着哪个轴进行,对于Series,一般情况下这个参数不会被使用,因为Series是一维的。

121-3、功能

        用于执行元素级的右加法操作,这意味着在使用radd时,Series对象作为右侧的操作数,与传入的其他值(如标量或另一个 Series 对象)进行加法运算。

121-4、返回值

        返回一个新的Series对象,包含相应元素的加法结果。

121-5、说明

        无

121-6、用法
121-6-1、数据准备

121-6-2、代码示例

# 121、pandas.Series.radd方法

# 121-1、基本用法

import pandas as pd

s1 = pd.Series([2, 3, 4], index=['a', 'b', 'c'])

s2 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])

result = s1.radd(s2)

print(result, end='\n\n')code>

# 121-2、使用level参数

import pandas as pd

arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]

index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))

s1 = pd.Series([10, 20, 30, 40], index=index)

s2 = pd.Series([2, 3, 4, 5], index=index)

result = s1.radd(s2, level='letters')code>

print(result, end='\n\n')code>

# 121-3、使用fill_value参数

import pandas as pd

s1 = pd.Series([1, 2], index=['a', 'b'])

s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])

result = s1.radd(s2, fill_value=1)

print(result, end='\n\n')code>

# 121-4、使用axis参数(主要适用于DataFrame)

import pandas as pd

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

df2 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})

result = df1.radd(df2, axis=0)

print(result)

121-6-3、结果输出

# 121、pandas.Series.radd方法

# 121-1、基本用法

# a 7

# b 9

# c 11

# dtype: int64

# 121-2、使用level参数

# letters numbers

# A 1 12

# 2 23

# B 1 34

# 2 45

# dtype: int64

# 121-3、使用fill_value参数

# a 11.0

# b 22.0

# c 31.0

# dtype: float64

# 121-4、使用axis参数(主要适用于DataFrame)

# A B

# 0 11 33

# 1 22 44

122、pandas.Series.rsub方法
122-1、语法

# 122、pandas.Series.rsub方法

pandas.Series.rsub(other, level=None, fill_value=None, axis=0)

Return Subtraction of series and other, element-wise (binary operator rsub).

Equivalent to other - series, but with support to substitute a fill_value for missing data in either one of the inputs.

Parameters:

other

Series or scalar value

level

int or name

Broadcast across a level, matching Index values on the passed MultiIndex level.

fill_value

None or float value, default None (NaN)

Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.

axis

{0 or ‘index’}

Unused. Parameter needed for compatibility with DataFrame.

Returns:

Series

The result of the operation.

122-2、参数

122-2-1、other(必须)Series, DataFrame或标量值,表示用于减Series中对应元素的值。如果other是Series或DataFrame,则它们的索引将被对齐,并且只有索引中同时存在的元素才会参与计算;如果other是标量值,则它会被用于减Series中的每个元素。

122-2-2、level(可选,默认值为None)int或str,如果轴是MultiIndex(多级索引),则按指定级别进行广播;否则,该参数将被忽略。

122-2-3、fill_value(可选,默认值为None)float或None,用于填充缺失值的值。如果other是Series或DataFrame,并且它们的索引与调用者的索引不完全对齐,则可以使用fill_value来填充缺失值,默认值为None,表示不填充。

122-2-4、axis(可选,默认值为0)对于Series,这个参数实际上是不起作用的,因为Series只有一维,但为了保持与DataFrame方法的兼容性,它仍然接受这个参数。

122-3、功能

        用于执行反向减法操作。具体来说,它是从另一个数other中减去Series中每个元素,这与普通的减法操作(sub)相反,后者是Series中的每个元素减去另一个数other。

122-4、返回值

        返回一个新的Series,其中包含从other中减去Series中每个元素的结果。

122-5、说明

        无

122-6、用法
122-6-1、数据准备

122-6-2、代码示例

# 122、pandas.Series.rsub方法

# 122-1、基本用法

import pandas as pd

s1 = pd.Series([2, 3, 4], index=['a', 'b', 'c'])

s2 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])

result = s1.rsub(s2)

print(result, end='\n\n')code>

# 122-2、使用level参数

import pandas as pd

arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]

index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))

s1 = pd.Series([10, 20, 30, 40], index=index)

s2 = pd.Series([2, 3, 4, 5], index=index)

result = s1.rsub(s2, level='letters')code>

print(result, end='\n\n')code>

# 122-3、使用fill_value参数

import pandas as pd

s1 = pd.Series([1, 2], index=['a', 'b'])

s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])

result = s1.rsub(s2, fill_value=1)

print(result, end='\n\n')code>

# 122-4、使用axis参数(主要适用于DataFrame)

import pandas as pd

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

df2 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})

result = df1.rsub(df2, axis=0)

print(result)

122-6-3、结果输出

# 122、pandas.Series.rsub方法

# 122-1、基本用法

# a 3

# b 3

# c 3

# dtype: int64

# 122-2、使用level参数

# letters numbers

# A 1 -8

# 2 -17

# B 1 -26

# 2 -35

# dtype: int64

# 122-3、使用fill_value参数

# a 9.0

# b 18.0

# c 29.0

# dtype: float64

# 122-4、使用axis参数(主要适用于DataFrame)

# A B

# 0 9 27

# 1 18 36

123、pandas.Series.rmul方法
123-1、语法

# 123、pandas.Series.rmul方法

pandas.Series.rmul(other, level=None, fill_value=None, axis=0)

Return Multiplication of series and other, element-wise (binary operator rmul).

Equivalent to other * series, but with support to substitute a fill_value for missing data in either one of the inputs.

Parameters:

other

Series or scalar value

level

int or name

Broadcast across a level, matching Index values on the passed MultiIndex level.

fill_value

None or float value, default None (NaN)

Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.

axis

{0 or ‘index’}

Unused. Parameter needed for compatibility with DataFrame.

Returns:

Series

The result of the operation.

123-2、参数

123-2-1、other(必须)Series, DataFrame或标量值,表示要与Series中的每个元素相乘的值,如果other是Series或DataFrame,则它们的索引将被对齐,并且只有索引中同时存在的元素才会参与计算;如果other是标量值,则它会与Series中的每个元素相乘。

123-2-2、level(可选,默认值为None)整数、字符串或整数、字符串的列表/元组,如果轴是MultiIndex(多级索引),则按指定级别进行乘法运算,这主要用于处理具有多级索引的Series或DataFrame,并允许跨特定级别进行广播操作;对于只有单级索引的Series,此参数通常不会用到。

123-2-3、fill_value(可选,默认值为None)浮点数或 None,用于填充缺失值的值,如果other是Series或DataFrame,并且它们的索引与调用者的索引不完全对齐,则可以使用fill_value来填充这些缺失的索引位置,默认值为None,表示不填充,即如果索引不对齐,则结果中相应位置将是NaN。

123-2-4、axis(可选,默认值为0)对于Series,这个参数实际上是不起作用的,因为Series只有一维,但为了保持与DataFrame方法的兼容性,它仍然接受这个参数。

123-3、功能

        用于将另一个序列、标量值或NumPy数组与序列(Series)进行逐元素乘法的运算。

123-4、返回值

        返回一个新的Series,其中包含other与原始Series中的每个元素相乘的结果。

123-5、说明

        无

123-6、用法
123-6-1、数据准备

123-6-2、代码示例

# 123、pandas.Series.rmul方法

# 123-1、基本用法

import pandas as pd

s1 = pd.Series([2, 3, 4], index=['a', 'b', 'c'])

s2 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])

result = s1.rmul(s2)

print(result, end='\n\n')code>

# 123-2、使用level参数

import pandas as pd

arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]

index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))

s1 = pd.Series([10, 20, 30, 40], index=index)

s2 = pd.Series([2, 3, 4, 5], index=index)

result = s1.rmul(s2, level='letters')code>

print(result, end='\n\n')code>

# 123-3、使用fill_value参数

import pandas as pd

s1 = pd.Series([1, 2], index=['a', 'b'])

s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])

result = s1.rmul(s2, fill_value=1)

print(result, end='\n\n')code>

# 123-4、使用axis参数(主要适用于DataFrame)

import pandas as pd

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

df2 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})

result = df1.rmul(df2, axis=0)

print(result)

123-6-3、结果输出

# 123、pandas.Series.rmul方法

# 123-1、基本用法

# a 10

# b 18

# c 28

# dtype: int64

# 123-2、使用level参数

# letters numbers

# A 1 20

# 2 60

# B 1 120

# 2 200

# dtype: int64

# 123-3、使用fill_value参数

# a 10.0

# b 40.0

# c 30.0

# dtype: float64

# 123-4、使用axis参数(主要适用于DataFrame)

# A B

# 0 10 90

# 1 40 160

124、pandas.Series.rdiv方法
124-1、语法

# 124、pandas.Series.rdiv方法

pandas.Series.rdiv(other, level=None, fill_value=None, axis=0)

Return Floating division of series and other, element-wise (binary operator rtruediv).

Equivalent to other / series, but with support to substitute a fill_value for missing data in either one of the inputs.

Parameters:

other

Series or scalar value

level

int or name

Broadcast across a level, matching Index values on the passed MultiIndex level.

fill_value

None or float value, default None (NaN)

Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.

axis

{0 or ‘index’}

Unused. Parameter needed for compatibility with DataFrame.

Returns:

Series

The result of the operation.

124-2、参数

124-2-1、other(必须)Series, DataFrame或标量值,这是被除数,即Series中的每个元素将用它来执行反向除法操作。如果other是Series或DataFrame,则它们的索引将被对齐,并且只有索引中同时存在的元素才会参与计算;如果other是标量值,则它会与Series中的每个元素进行反向除法运算。

124-2-2、level(可选,默认值为None)整数、字符串或整数、字符串的列表/元组,在Series或DataFrame具有多级索引(MultiIndex)时,此参数指定在哪个级别上进行操作,然而,对于rdiv方法在Series上的使用,由于Series是一维的,这个参数通常不会用到。

124-2-3、fill_value(可选,默认值为None)浮点数或None,用于填充other中缺失值的值。如果other是Series或DataFrame,并且它们的索引与调用Series 的索引不完全对齐,则可以使用fill_value来填充这些缺失的索引位置,默认值为None,表示不填充,即如果索引不对齐,则结果中相应位置将是NaN。

124-2-4、axis(可选,默认值为0)对于Series,这个参数实际上是不起作用的,因为Series是一维的,只有一个轴(索引轴),但为了与DataFrame方法的兼容性,它仍然接受这个参数。

124-3、功能

        用于执行反向除法操作,即每个元素在other参数中的对应值除以Series中的元素。

124-4、返回值

        返回一个新的Series,其中包含other中的每个元素除以原始Series中对应元素的结果。

124-5、说明

        无

124-6、用法
124-6-1、数据准备

124-6-2、代码示例

# 124、pandas.Series.rdiv方法

# 124-1、基本用法

import pandas as pd

s1 = pd.Series([2, 3, 4], index=['a', 'b', 'c'])

s2 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])

result = s1.rdiv(s2)

print(result, end='\n\n')code>

# 124-2、使用level参数

import pandas as pd

arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]

index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))

s1 = pd.Series([10, 20, 30, 40], index=index)

s2 = pd.Series([2, 3, 4, 5], index=index)

result = s1.rdiv(s2, level='letters')code>

print(result, end='\n\n')code>

# 124-3、使用fill_value参数

import pandas as pd

s1 = pd.Series([1, 2], index=['a', 'b'])

s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])

result = s1.rdiv(s2, fill_value=1)

print(result, end='\n\n')code>

# 124-4、使用axis参数(主要适用于DataFrame)

import pandas as pd

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

df2 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})

result = df1.rdiv(df2, axis=0)

print(result)

124-6-3、结果输出

# 124、pandas.Series.rdiv方法

# 124-1、基本用法

# a 2.50

# b 2.00

# c 1.75

# dtype: float64

# 124-2、使用level参数

# letters numbers

# A 1 0.200000

# 2 0.150000

# B 1 0.133333

# 2 0.125000

# dtype: float64

# 124-3、使用fill_value参数

# a 10.0

# b 10.0

# c 30.0

# dtype: float64

# 124-4、使用axis参数(主要适用于DataFrame)

# A B

# 0 10.0 10.0

# 1 10.0 10.0

125、pandas.Series.rtruediv方法
125-1、语法

# 125、pandas.Series.rtruediv方法

pandas.Series.rtruediv(other, level=None, fill_value=None, axis=0)

Return Floating division of series and other, element-wise (binary operator rtruediv).

Equivalent to other / series, but with support to substitute a fill_value for missing data in either one of the inputs.

Parameters:

other

Series or scalar value

level

int or name

Broadcast across a level, matching Index values on the passed MultiIndex level.

fill_value

None or float value, default None (NaN)

Fill existing missing (NaN) values, and any new element needed for successful Series alignment, with this value before computation. If data in both corresponding Series locations is missing the result of filling (at that location) will be missing.

axis

{0 or ‘index’}

Unused. Parameter needed for compatibility with DataFrame.

Returns:

Series

The result of the operation.

125-2、参数

125-2-1、other(必须)Series, DataFrame或标量值。这是被除数,即每个other中的元素将除以Series中的对应元素。如果other是Series或DataFrame,则它们的索引将被对齐,并且只有索引中同时存在的元素才会参与计算。

125-2-2、level(可选,默认值为None)整数、字符串或整数、字符串的列表/元组,在多级索引(MultiIndex)的上下文中使用,指定在哪个级别上进行操作,然而,对于Series(一维数据结构),这个参数通常不会用到。

125-2-3、fill_value(可选,默认值为None)浮点数或None,用于填充other中缺失值的值。如果other是Series或DataFrame,并且它们的索引与调用Series的索引不完全对齐,则可以使用fill_value来填充这些缺失的索引位置,默认值为None,表示不填充,即如果索引不对齐,则结果中相应位置将是NaN。

125-2-4、axis(可选,默认值为0)对于Series,这个参数实际上是不起作用的,因为Series是一维的,只有一个轴(索引轴),但为了与DataFrame方法的兼容性,它仍然接受这个参数。

125-3、功能

        用于执行真正的反向除法操作,即other参数中的每个值除以Series中的对应值。

125-4、返回值

        返回一个新的Series,其中包含other中的每个值除以原始Series中对应值的结果。

125-5、说明

        无

125-6、用法
125-6-1、数据准备

125-6-2、代码示例

# 125、pandas.Series.rtruediv方法

# 125-1、基本用法

import pandas as pd

s1 = pd.Series([2, 3, 4], index=['a', 'b', 'c'])

s2 = pd.Series([5, 6, 7], index=['a', 'b', 'c'])

result = s1.rtruediv(s2)

print(result, end='\n\n')code>

# 125-2、使用level参数

import pandas as pd

arrays = [['A', 'A', 'B', 'B'], [1, 2, 1, 2]]

index = pd.MultiIndex.from_arrays(arrays, names=('letters', 'numbers'))

s1 = pd.Series([10, 20, 30, 40], index=index)

s2 = pd.Series([2, 3, 4, 5], index=index)

result = s1.rtruediv(s2, level='letters')code>

print(result, end='\n\n')code>

# 125-3、使用fill_value参数

import pandas as pd

s1 = pd.Series([1, 2], index=['a', 'b'])

s2 = pd.Series([10, 20, 30], index=['a', 'b', 'c'])

result = s1.rtruediv(s2, fill_value=1)

print(result, end='\n\n')code>

# 125-4、使用axis参数(主要适用于DataFrame)

import pandas as pd

df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

df2 = pd.DataFrame({'A': [10, 20], 'B': [30, 40]})

result = df1.rtruediv(df2, axis=0)

print(result)

125-6-3、结果输出

# 125、pandas.Series.rtruediv方法

# 125-1、基本用法

# a 2.50

# b 2.00

# c 1.75

# dtype: float64

# 125-2、使用level参数

# letters numbers

# A 1 0.200000

# 2 0.150000

# B 1 0.133333

# 2 0.125000

# dtype: float64

# 125-3、使用fill_value参数

# a 10.0

# b 10.0

# c 30.0

# dtype: float64

# 125-4、使用axis参数(主要适用于DataFrame)

# A B

# 0 10.0 10.0

# 1 10.0 10.0

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页


声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。