Python 中 axis = 0 和 axis = 1 的用法？

引言

Pandas 库是 Python 中一个强大的数据处理工具，对于许多数据分析师、科学家和工程师来说，它已成为不可或缺的一部分。'axis' 参数是 Pandas 的一个重要特性，它允许执行跨不同轴的操作。在本详细指南中，我们将讨论使用 'axis=0' 和 'axis=1' 的复杂性，揭示它们的importance以及在实践中如何使用的见解。

理解基础知识

在深入了解 **'axis=0' 和 'axis=1'** 的细节之前，了解 Pandas 中轴的含义非常重要。Pandas DataFrame 是一个带有标签的二维数据结构，包含行和列。**行和列都用标签进行索引，Pandas 提供了两个轴：行轴 (axis=0) 和列轴 (axis=1)**。

1. 'axis=0' - 沿行的操作

参数 **'axis = 0' 用于定义 DataFrame 的行应执行某个操作**。这意味着操作将垂直向下进行。沿 'axis=0' 的一些常见操作是聚合函数，如 sum、mean 或统计函数。

让我们举一个例子来展示 axis=0 的用法。假设我们有一个 DataFrame 'df'。

输出

Subject Means (axis=0):
Math       84.333333
English    91.666667
Science    87.000000
dtype: float64
<ipython-input-2-c74a6ec0dacd>:12: FutureWarning: The default value of numeric_only in DataFrame.mean is deprecated. In a future version, it will default to False. In addition, specifying 'numeric_only=None' is deprecated. Select only valid columns or specify the value of numeric_only to silence this warning. subject_means = df.mean(axis=0).

说明

• 创建了一个包含学生数据（姓名、数学、英语和科学）的变量的 DataFrame 'df'。
• 使用 **'mean()' 计算每列的平均值**。
• 对于列式操作，'axis=0' 是不必要的，在本例中也不需要。
• 显示了数学、英语和科学科目的平均值。
• 在数据分析中，pandas 的 mean 函数对于快速的通用统计摘要非常有用。

2. axis=1 - 沿列的操作

相反，**'axis=1' 选项用于操作 DataFrame 的列**。更具体地说，这意味着在列之间水平应用操作。沿 axis=1 的一些常见操作是连接列、对每一行执行函数或基于当前列创建新列。

为了说明 'axis=1'，我们可以继续前面的例子。假设我们想创建一个新列，代表每个学生获得的总分数。

输出

DataFrame with Total Marks (axis=1):
Name  Math  English  Science  Total
0   John    85       92       89    266
1   Alex    90       88       84    262
2  Barney    78       95       88    261
<ipython-input-3-24335492b0be>:2: FutureWarning: Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError.  Select only valid columns before calling the reduction. df['Total'] = df.sum(axis=1)

说明

在此实例中，'axis=1' 确保沿着每一行计算总和，从而得到一个名为 Total 的新列，其中包含所有学生的总分数。

实际应用

现在是时候考虑一些需要同时考虑 'axis=0' 和 'axis=1' 参数的实际用例了。

1. 统计分析

使用大型数据集时，统计分析是一项常见任务。使用 'axis=0'，可以轻松地描述每列的统计数据，例如平均值、中位数和标准差，以了解任何特征的分布模式。

输出

Column-wise Descriptive Statistics:
<bound method NDFrame.describe of     
    Name  Math  English  Science  Total
0   John    85       92       89    266
1   Alex    90       88       84    262
2  Barney    78       95       88    261>

说明

当与 axis=0 一起使用 describe 函数时，它会为每一列生成详细摘要，表示其数值特征。

2. 行式操作

当您需要单独对每一行执行操作时，**'axis=1'** 就变得至关重要。例如，假设您想计算每个学生在每个科目中相对于最高分数的百分比。

输出

Percentage Marks (axis=1):
    Math  English  Science
0  0.85     0.92     0.89
1  0.90     0.88     0.84
2  0.78     0.95     0.88

说明

• 开发了一个字典 **'max_marks'** 来定义每个科目的最高分数。
• 从 DataFrame df 中选择了几个不同的列（'Math'、'English'、'Science'）。
• 计算的百分比分数是通过将选定的列除以相应的最高分数获得的。
• 不需要 'axis=1'，因为它基于列模式工作。
• 显示最终的 DataFrame，其中为每个学生和科目分配了百分比。

3. 数据清理和转换

数据清理通常包括处理缺失值或将现有列转换为更合适的格式。Axis=0 帮助您沿列识别和管理缺失值，而 axis=1 则允许进行逐行转换。

输出

DataFrame after Dropping Columns with Missing Values (axis=1):
 	Name  Math  English  Science
0   John    85       92       89
1   Alex    90       88       84
2  Barney    78       95       88

说明

• 使用 **'dropna'** 函数删除 DataFrame df 中包含任何缺失值的列。
• 通过 'axis=1' 指示了列式操作，这意味着删除列。
• 创建了一个名为 **'df_cleaned_columns'** 的 DataFrame，并排除了包含缺失值的列。
• 此操作通过删除包含部分或空值的列来帮助进行数据清理。

4. 连接和合并

连接或合并多个 DataFrame 需要 'axis=0' 和 'axis=1'。当沿着行堆叠时，'axis=0' 表示垂直对齐，而连接列需要指定 'axis = 1' 进行水平方向。

输出

Concatenated DataFrames along Rows (axis=0):
   A  B
0  1  3
1	2  4
0	5  7
1	6  8
Concatenated DataFrames along Columns (axis=1):
A  B  A  B
1  3   5   7
 2  4  6   8

说明

• 生成了两个 DataFrame 'df1' 和 'df2'，列名为 'A' 和 'B'。
• 使用 **'pd.concat'** 函数沿着行（axis = 0）垂直堆叠连接的 DataFrame 进行连接。
• 在 **'df_concatenated_rows'** 中显示结果。
• 通过沿着列（axis=1）连接 DataFrame 来合并它们，以进行水平合并。
• 在 DataFrame **'df_concatenated_columns'** 中显示了结果。
• 说明了垂直和水平连接 DataFrame 的方法。

高级技术

通过处理 Pandas 的经验，您可能会遇到需要依赖 'axis=0' 和 'axis = 1' 的高级方法的情况。让我们探讨一些这样的技术。

1. 分组和聚合

当您想根据特定标准汇总数据时，聚合函数与 **'groupby'** 操作一起非常有用。Axis 参数可以帮助确定聚合是针对行还是列执行的。

输出

GroupBy and Aggregation (axis=0):
Math  English  Science  Total
Category                               
Group1    81.5     93.5     88.5  263.5
Group2    90.0     88.0     84.0  262.0
<ipython-input-13-1fa7fa67a9b3>:3: FutureWarning: The default value of numeric_only in DataFrameGroupBy.mean is deprecated. In a future version, numeric_only will default to False. Either specify numeric_only or select only columns that should be valid for the function.
category_means = df.groupby('Category').mean()

说明

• 向 DataFrame df 添加了类别列，包含分组标签。
• 使用 'groupby' 按类别对 DataFrame 进行分组。在列（axis=0）上，使用 'mean' 计算平均值。
• 在 DataFrame **'category_means'** 中显示结果。
• 按类别分组和聚合操作在列上进行，并按类别聚合数据。

2. 转置和重塑

Pandas 中的 T 属性允许您转置 DataFrame，交换行和列。此转换会交换 axis=0 和 axis = 1，反之亦然。

当原始方向不允许正确分析和可视化时，转置 DataFrame 可能很有帮助。

输出

Transposed DataFrame:
                            0       1        2  
Name      John  Alex  Barney
Math          85      90       78
English       92      88       95
Science       89      84       88
Total        266     262      261
Category  Group1  Group2   Group1

说明

• 使用 **.T** 属性更改了 'df'。
• 交换了行和列，更改了原始 DataFrame。
• 显示了转置后的 DataFrame **'df_transposed'**。

结论

在本篇关于 Pandas 的详细指南中，我们讨论了使用 'axis=0' 和 'axis = 1' 的复杂性，它们的重要性以及实际操作。当执行统计分析、清理和转换数据或在使用 GroupBy 和聚合等复杂技术处理数据时，这些参数对您来说尤其重要。随着您继续使用 Pandas，请尝试不同的场景，并学习如何应用 'axis = 0' 和 'axis=1'，这将使您未来的数据分析更加出色。