【数据分析】python-pandas速查文档（3）
python-pandas速查文档（3）
博客主页：源码速查
本文档共 4 部分，当前为第 3 部分
文章目录
- python-pandas速查文档（3）
- 六、公开方法速查（按功能分类）
- equals()：对象相等判断
- eval()：表达式计算
- factorize()：因子编码
- floor()：时间向下取整
- floordiv()：整除运算
- flush()：刷新到磁盘
- format()：格式化输出
- fromordinal()：序数转时间戳
- fromtimestamp()：秒数转时间戳
- ge()：大于等于比较
- gt()：大于比较
- holds_integer()：是否存整数值
- identical()：严格相同判断
- indexer_at_time()：特定时间定位
- infer_freq()：推断频率
- infer_objects()：推断对象类型
- intersection()：交集
- is_boolean()：布尔类型判断
- is_categorical()：分类类型判断
- is_dtype()：类型匹配判断
- is_floating()：浮点类型判断
- is_integer()：整数类型判断
- is_numeric()：数值类型判断
- is_object()：对象类型判断
- isetitem()：按位置设置值
- isna()：缺失值检测
- isnull()：缺失值检测（同义）
- isocalendar()：ISO日历信息
- isoweekday()：ISO星期序号
- items()：逐列迭代
- iterrows()：逐行迭代
- itertuples()：命名元组迭代
- keys()：HDF5键列表
- kurt()：峰度系数
- kurtosis()：峰度（同义）
- le()：小于等于比较
- list()：列表访问器入口
- lreshape()：宽表转长表
- lt()：小于比较
- mod()：取余运算
- mode()：众数
- month_name()：月份名称
- mul()：乘法
- multiply()：乘法（同义）
- ne()：不等于比较
- nlargest()：最大的N个值
- notna()：非缺失判断
- notnull()：非缺失（同义）
- now()：当前时间戳
- nsmallest()：最小的N个值
- nunique()：唯一值数量
- parse()：解析Excel工作表
- pop()：移除并返回列
- pow()：幂运算
- qcut()：分位数分箱
- radd()：反向加法
- ravel()：展平为一维数组
- rdiv()：反向除法
- 八、快速索引
- 方法快速索引
- 九、参考资料
【pandas 公开成员统计】：共 41 个公开类，628 个公开方法，239 个公开属性
六、公开方法速查（按功能分类）
本部分继续列出公开方法详细条目。
equals()：对象相等判断
Index.equals(self, other: 'object') -> 'bool'归属：pandas.Index
说明：判断两个 Index 对象是否完全相等（包括值、名称、dtype）。
importpandasaspd idx1=pd.Index(["北京","上海","广州"],name="城市")idx2=pd.Index(["北京","上海","广州"],name="城市")idx3=pd.Index(["北京","上海","深圳"],name="城市")print("相同:",idx1.equals(idx2),"不同:",idx1.equals(idx3))# 输出: True Falseeval()：表达式计算
DataFrame.eval(self, expr: 'str', *, inplace: 'bool' = False, **kwargs) -> 'Any | None'归属：pandas.DataFrame
说明：在 DataFrame 列上执行字符串表达式计算，比手动写列运算更简洁且支持多核加速。
importpandasaspd 商品表=pd.DataFrame({"单价":[100,200,50],"数量":[3,1,10]})商品表.eval("金额 = 单价 * 数量",inplace=True)print(商品表)# 输出:# 单价 数量 金额# 0 100 3 300# 1 200 1 200# 2 50 10 500归属：pandas
说明：pandas 顶层 eval，支持对局部或全局变量的表达式求值。
importpandasaspd df=pd.DataFrame({"A":[1,2,3],"B":[4,5,6]})result=pd.eval("df.A + df.B")print(result.tolist())# 输出: [5, 7, 9]factorize()：因子编码
pd.factorize(values, sort: 'bool' = False, use_na_sentinel: 'bool' = True, size_hint: 'int | None' = None) -> 'tuple[np.ndarray, np.ndarray | Index]'归属：pandas
说明：将字符串/分类值编码为整数标签和唯一值映射，适合替代 sklearn 的 LabelEncoder。
importpandasaspd 城市列表=["北京","上海","北京","广州","上海"]编码,唯一值=pd.factorize(城市列表)print("整数编码:",编码)# 输出: [0, 1, 0, 2, 1]print("唯一值:",唯一值.tolist())# 输出: ['北京', '上海', '广州']floor()：时间向下取整
DatetimeIndex.floor(self, *args, **kwargs)归属：pandas.DatetimeIndex
说明：将 DatetimeIndex 中的时间向下对齐到指定频率（小时/天/周等）。
importpandasaspd 日期=pd.DatetimeIndex(["2026-05-28 15:45:30","2026-05-29 23:10:00"])print("以小时取整:",日期.floor("h").tolist())# 输出: [Timestamp('2026-05-28 15:00'), Timestamp('2026-05-29 23:00')]归属：pandas.Timedelta
说明：将 Timedelta 向下取整到指定精度。
importpandasaspd td=pd.Timedelta("3 hours 45 minutes")print(td.floor("h"))# 输出: 0 days 03:00:00归属：pandas.Timestamp
说明：将时间戳向下取整到指定频率。
importpandasaspd ts=pd.Timestamp("2026-05-28 15:45:30")print(ts.floor("h"))# 输出: 2026-05-28 15:00:00floordiv()：整除运算
DataFrame.floordiv(self, other, axis: 'Axis' = 'columns', level=None, fill_value=None) -> 'DataFrame'归属：pandas.DataFrame
说明：对 DataFrame 逐元素执行整除//运算。
importpandasaspd df=pd.DataFrame({"总量":[100,250,333],"每组人数":[3,5,10]})df["组数"]=df["总量"].floordiv(df["每组人数"])print(df)# 输出:# 总量 每组人数 组数# 0 100 3 33# 1 250 5 50# 2 333 10 33flush()：刷新到磁盘
HDFStore.flush(self, fsync: 'bool' = False) -> 'None'归属：pandas.HDFStore
说明：将 HDF5 存储中的缓冲区数据强制写入磁盘，适合断电或异常安全场景。
frompathlibimportPathimportpandasaspd 路径=Path("测试.h5")store=pd.HDFStore(路径,mode="w")store["data"]=pd.DataFrame({"x":[1,2]})store.flush(fsync=True)store.close()路径.unlink(missing_ok=True)format()：格式化输出
Index.format(self, name: 'bool' = False, formatter: 'Callable | None' = None, na_rep: 'str_t' = 'NaN') -> 'list[str_t]'归属：pandas.Index
说明：将 Index 各元素转为格式化后的字符串列表，支持自定义格式化函数。
importpandasaspd 日期=pd.DatetimeIndex(["2026-05-28","2026-05-29"],name="日期")print(日期.format(formatter=lambdax:x.strftime("%Y/%m/%d")))# 输出: ['2026/05/28', '2026/05/29']fromordinal()：序数转时间戳
Timestamp.fromordinal(cls, ordinal, tz=None)归属：pandas.Timestamp
说明：从 Python datetime 的序数（公历日序号）构造 Timestamp。
importpandasaspd ts=pd.Timestamp.fromordinal(738613)# 大约对应 2026-05-28print(ts)# 输出: 约 2026-05-28 00:00:00fromtimestamp()：秒数转时间戳
Timestamp.fromtimestamp(cls, ts, tz=None)归属：pandas.Timestamp
说明：从 Unix 时间戳（秒级浮点数）构造 Timestamp。
importpandasaspd ts=pd.Timestamp.fromtimestamp(1700000000)print(ts)# 输出: 约 2023-11-15ge()：大于等于比较
DataFrame.ge(self, other, axis: 'Axis' = 'columns', level=None) -> 'DataFrame'归属：pandas.DataFrame
说明：逐元素比较是否 >= 给定值，返回布尔 DataFrame。
importpandasaspd 成绩表=pd.DataFrame({"语文":[85,90,78],"数学":[88,92,80]})及格=成绩表.ge(80)print(及格)# 输出:# 语文 数学# 0 True True# 1 True True# 2 False True归属：pandas.Series
说明：逐元素比较是否 >= 给定值。
importpandasaspd s=pd.Series([120,80,150],name="销售额")print(s.ge(100))# 输出:# 0 True# 1 False# 2 Truegt()：大于比较
DataFrame.gt(self, other, axis: 'Axis' = 'columns', level=None) -> 'DataFrame'归属：pandas.DataFrame
说明：逐元素比较是否 > 给定值。
importpandasaspd df=pd.DataFrame({"销量":[120,80,150]})print(df["销量"].gt(100).tolist())# 输出: [True, False, True]holds_integer()：是否存整数值
Index.holds_integer(self) -> 'bool'归属：pandas.Index
说明：判断 Index 中存储的元素是否可无损转为整数。
importpandasaspd 浮点索引=pd.Index([1.0,2.0,3.0])整数索引=pd.Index([1,2,3])print("浮点存整数:",浮点索引.holds_integer(),"整数存整数:",整数索引.holds_integer())# 输出: True Trueidentical()：严格相同判断
Index.identical(self, other) -> 'bool'归属：pandas.Index
说明：判断两个 Index 是否从头到尾完全相同（比 equals 更严格，检查名称和属性）。
importpandasaspd idx1=pd.Index([1,2,3