Python的pandas 数组如何得到索引值，如图，我要得到ohio 的索引值，应该怎样做？_百度知道一、常用链接：
1.Python官网：
2.各种库的whl离线安装包：
3.数据分析常用库的离线安装包（pip+wheels）（百度云）： 密码：bbs2
二、常用库
　　NumPy是高性能科学计算和数据分析的基础包。部分功能如下：
ndarray, 具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。
用于对整组数据进行快速运算的标准数学函数（无需编写循环）。
用于读写磁盘数据的工具以及用于操作内存映射文件的工具。
线性代数、随机数生成以及傅里叶变换功能。
用于集成C、C++、Fortran等语言编写的代码的工具。
　　首先要导入numpy库：import numpy as np
　　A NumPy函数和属性：
int8、uint8
有符号和无符号8位整型（1字节）
int16、uint16
有符号和无符号16位整型（2字节）
int32、uint32
有符号和无符号32位整型（4字节）
int64、uint64
有符号和无符号64位整型（8字节）
半精度浮点数
单精度浮点数
双精度浮点数
扩展精度浮点数
分别用两个32位表示的复数
complex128
分别用两个64位表示的复数
complex256
分别用两个128位表示的复数
python对象
固定长度字符串，每个字符1字节，如S10
固定长度Unicode，字节数由系统决定，如U10
表2.1.A.1 NumPy类型
np.array( x)
np.array( x, dtype)
将输入数据转化为一个ndarray
将输入数据转化为一个类型为type的ndarray
np.asarray( array )
将输入数据转化为一个新的（copy）ndarray
np.ones( N )
np.ones( N, dtype)
np.ones_like( ndarray )
生成一个N长度的一维全一ndarray
生成一个N长度类型是dtype的一维全一ndarray
生成一个形状与参数相同的全一ndarray
np.zeros( N)
np.zeros( N, dtype)
np.zeros_like(ndarray)
生成一个N长度的一维全零ndarray
生成一个N长度类型位dtype的一维全零ndarray
类似np.ones_like( ndarray )
np.empty( N )
np.empty( N, dtype)
np.empty(ndarray)
生成一个N长度的未初始化一维ndarray
生成一个N长度类型是dtype的未初始化一维ndarray
类似np.ones_like( ndarray )
np.eye( N )
np.identity( N )
创建一个N * N的单位矩阵（对角线为1，其余为0）
np.arange( num)
np.arange( begin, end)
np.arange( begin, end, step)
生成一个从0到num-1步数为1的一维ndarray
生成一个从begin到end-1步数为1的一维ndarray
生成一个从begin到end-step的步数为step的一维ndarray
np.mershgrid(ndarray, ndarray,...)
生成一个ndarray * ndarray * ...的多维ndarray
np.where(cond, ndarray1, ndarray2)
根据条件cond，选取ndarray1或者ndarray2，返回一个新的ndarray
np.in1d(ndarray, [x,y,...])
检查ndarray中的元素是否等于[x,y,...]中的一个，返回bool数组
np.diag( ndarray)
np.diag( [x,y,...])
以一维数组的形式返回方阵的对角线（或非对角线）元素
将一维数组转化为方阵（非对角线元素为0）
np.dot(ndarray, ndarray)
np.trace( ndarray)
计算对角线元素的和
np.sort( ndarray)
排序，返回副本
np.unique(ndarray)
返回ndarray中的元素，排除重复元素之后，并进行排序
np.intersect1d( ndarray1, ndarray2)
np.union1d( ndarray1, ndarray2)
np.setdiff1d( ndarray1, ndarray2)
np.setxor1d( ndarray1, ndarray2)
返回二者的交集并排序。
返回二者的并集并排序。
返回二者的差。
返回二者的对称差
一元计算函数
np.abs(ndarray)
np.fabs(ndarray)
计算绝对值
计算绝对值（非复数）
np.mean(ndarray)
np.sqrt(ndarray)
np.square(ndarray)
np.exp(ndarray)
log、log10、log2、log1p
计算自然对数、底为10的log、底为2的log、底为(1+x)的log
np.sign(ndarray)
计算正负号：1（正）、0（0）、-1（负）
np.ceil(ndarray)
np.floor(ndarray)
np.rint(ndarray)
计算大于等于改值的最小整数
计算小于等于该值的最大整数
四舍五入到最近的整数，保留dtype
np.modf(ndarray)
将数组的小数和整数部分以两个独立的数组方式返回
np.isnan(ndarray)
返回一个判断是否是NaN的bool型数组
np.isfinite(ndarray)
np.isinf(ndarray)
返回一个判断是否是有穷（非inf，非NaN）的bool型数组
返回一个判断是否是无穷的bool型数组
cos、cosh、sin、sinh、tan、tanh
普通型和双曲型三角函数
arccos、arccosh、arcsin、arcsinh、arctan、arctanh
反三角函数和双曲型反三角函数
np.logical_not(ndarray)
计算各元素not x的真值，相当于-ndarray
多元计算函数
np.add(ndarray, ndarray)
np.subtract(ndarray, ndarray)
np.multiply(ndarray, ndarray)
np.divide(ndarray, ndarray)
np.floor_divide(ndarray, ndarray)
np.power(ndarray, ndarray)
np.mod(ndarray, ndarray)
圆整除法（丢弃余数）
np.maximum(ndarray, ndarray)
np.fmax(ndarray, ndarray)
np.minimun(ndarray, ndarray)
np.fmin(ndarray, ndarray)
求最大值（忽略NaN）
求最小值（忽略NaN）
np.copysign(ndarray, ndarray)
将参数2中的符号赋予参数1
np.greater(ndarray, ndarray)
np.greater_equal(ndarray, ndarray)
np.less(ndarray, ndarray)
np.less_equal(ndarray, ndarray)
np.equal(ndarray, ndarray)
np.not_equal(ndarray, ndarray)
logical_and(ndarray, ndarray)
logical_or(ndarray, ndarray)
logical_xor(ndarray, ndarray)
np.dot( ndarray, ndarray)
计算两个ndarray的矩阵内积
np.ix_([x,y,m,n],...)
生成一个索引器，用于Fancy indexing(花式索引)
np.save(string, ndarray)
将ndarray保存到文件名为 [string].npy 的文件中（无压缩）
np.savez(string, ndarray1, ndarray2, ...)
将所有的ndarray压缩保存到文件名为[string].npy的文件中
np.savetxt(sring, ndarray, fmt, newline='\n')
将ndarray写入文件，格式为fmt
np.load(string)
读取文件名string的文件内容并转化为ndarray对象（或字典对象）
np.loadtxt(string, delimiter)
读取文件名string的文件内容，以delimiter为分隔符转化为ndarray
表2.1.A.2 np常用函数
　　B NumPy.ndarray函数和属性：
ndarray.ndim
获取ndarray的维数
ndarray.shape
获取ndarray各个维度的长度
ndarray.dtype
获取ndarray中元素的数据类型
简单转置矩阵ndarray
表2.1.B.1 ndarray属性
ndarray.astype(dtype)
转换类型，若转换失败则会出现TypeError
ndarray.copy()
复制一份ndarray(新的内存空间)
ndarray.reshape((N,M,...))
将ndarray转化为N*M*...的多维ndarray（非copy）
ndarray.transpose((xIndex,yIndex,...))
根据维索引xIndex,yIndex...进行矩阵转置，依赖于shape，不能用于一维矩阵（非copy）
ndarray.swapaxes(xIndex,yIndex)
交换维度（非copy）
ndarray.mean( axis=0 )
ndarray.sum( axis= 0)
ndarray.cumsum( axis=0)
ndarray.cumprod( axis=0)
ndarray.std()
ndarray.var()
ndarray.max()
ndarray.min()
ndarray.argmax()
ndarray.argmin()
最大值索引
最小值索引
ndarray.any()
ndarray.all()
是否至少有一个True
是否全部为True
ndarray.dot( ndarray)
计算矩阵内积
ndarray.sort(axis=0)
排序，返回源数据
表2.1.B.2 ndarray函数
ndarray[n]
选取第n+1个元素
ndarray[n:m]
选取第n+1到第m个元素
ndarray[:]
选取全部元素
ndarray[n:]
选取第n+1到最后一个元素
ndarray[:n]
选取第0到第n个元素
ndarray[ bool_ndarray ]
注：bool_ndarray表示bool类型的ndarray
选取为true的元素
ndarray[[x,y,m,n]]...
选取顺序和序列为x、y、m、n的ndarray
ndarray[n,m]
ndarray[n][m]
选取第n+1行第m+1个元素
ndarray[n,m,...]
ndarray[n][m]....
选取n行n列....的元素
表2.1.B.3 ndarray索引/切片方式
　　C NumPy.random函数和属性：
seed(ndarray)
确定随机数生成种子
permutation(int)
permutation(ndarray)
返回一个一维从0~9的序列的随机排列
返回一个序列的随机排列
shuffle(ndarray)
对一个序列就地随机排列
randint(begin,end,num=1)
产生int个均匀分布的样本值
从给定的begin和end随机选取num个整数
randn(N, M, ...)
生成一个N*M*...的正态分布（平均值为0，标准差为1）的ndarray
normal(size=(N,M,...))
生成一个N*M*...的正态（高斯）分布的ndarray&
beta(ndarray1,ndarray2)
产生beta分布的样本值，参数必须大于0&
&chisquare()
产生卡方分布的样本值&
产生gamma分布的样本值&
&uniform()
产生在[0,1)中均匀分布的样本值&
&2.1.C.1 random常用函数
　　D NumPy.linalg函数和属性：
det(ndarray)
计算矩阵列式
eig(ndarray)
计算方阵的本征值和本征向量
inv(ndarray)
pinv(ndarray)
计算方阵的逆
计算方阵的Moore-Penrose伪逆
qr(ndarray)
计算qr分解&
svd(ndarray)
计算奇异值分解svd
solve(ndarray)
解线性方程组Ax = b，其中A为方阵&
lstsq(ndarray)
计算Ax=b的最小二乘解&
&2.1.D.1 linalg常用函数
& & pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
　　&&& from pandas import Series, DataFrame
　　&&& import pandas as pd
　　A.pandas
pd.isnull(series)
pd.notnull(series)
判断是否为空(NaN)
判断是否不为空(not NaN)
2.2.A.1 pandas常用函数
　　B.Series
　　　　Series可以运用ndarray或字典的几乎所有索引操作和函数，融合了字典和ndarray的优点。
values的name
index.name
索引的name
2.2.B.1 Series常用属性
Series([x,y,...])Series({'a':x,'b':y,...}, index=param1)
生成一个Series
Series.copy()
复制一个Series&
Series.reindex([x,y,...], fill_value=NaN)
Series.reindex([x,y,...], method=NaN)
Series.reindex(columns=[x,y,...])
重返回一个适应新索引的新对象，将缺失值填充为fill_value
返回适应新索引的新对象，填充方式为method
对列进行重新索引
Series.drop(index)
丢弃指定项
Series.map(f)
应用元素级函数&
Series.sort_index(ascending=True)
根据索引返回已排序的新对象
Series.order(ascending=True)
根据值返回已排序的对象，NaN值在末尾
Series.rank(method='average', ascending=True, axis=0)
为各组分配一个平均排名
df.argmax()
df.argmin()
返回含有最大值的索引位置
返回含有最小值的索引位置
2.2.B.2 Series常用函数
　　　　reindex的method选项：
　　　　　　ffill, bfill　　　　　向前填充/向后填充
　　　　　　pad, backfill　　　向前搬运，向后搬运
　　　　rank的method选项
　　　　　　'average'　　　　在相等分组中，为各个值分配平均排名
　　　　　　'max','min'　　　使用整个分组中的最小排名
　　　　　　'first'　　　　　　按值在原始数据中出现的顺序排名
　　C.DataFrame
　　　　DataFrame是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔值等）。DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）。
　　　　DataFrame可以通过类似字典的方式或者.columnname的方式将列获取为一个Series。行也可以通过位置或名称的方式进行获取。
　　　　为不存在的列赋值会创建新列。
　　　　&&& del frame['xxx']　　# 删除列
DataFrame的值
index.name
行索引的名字
columns.name
列索引的名字
返回行的DataFrame
ix[[x,y,...], [x,y,...]]
对行重新索引，然后对列重新索引
frame行列转置
2.2.C.1 DataFrame常用属性
DataFrame(dict, columns=dict.index, index=[dict.columnnum])
DataFrame(二维ndarray)
DataFrame(由数组、列表或元组组成的字典)
DataFrame(NumPy的结构化/记录数组)
DataFrame(由Series组成的字典)
DataFrame(由字典组成的字典)
DataFrame(字典或Series的列表)
DataFrame(由列表或元组组成的列表)
DataFrame(DataFrame)
DataFrame(NumPy的MaskedArray)
构建DataFrame
数据矩阵，还可以传入行标和列标
每个序列会变成DataFrame的一列。所有序列的长度必须相同
类似于&由数组组成的字典&
每个Series会成为一列。如果没有显式制定索引，则各Series的索引会被合并成结果的行索引
各内层字典会成为一列。键会被合并成结果的行索引。
各项将会成为DataFrame的一行。索引的并集会成为DataFrame的列标。
类似于二维ndarray
沿用DataFrame
类似于二维ndarray，但掩码结果会变成NA/缺失值
df.reindex([x,y,...], fill_value=NaN, limit)
df.reindex([x,y,...], method=NaN)
df.reindex([x,y,...],&columns=[x,y,...],copy=True)
返回一个适应新索引的新对象，将缺失值填充为fill_value，最大填充量为limit
返回适应新索引的新对象，填充方式为method
同时对行和列进行重新索引，默认复制新对象。
df.drop(index, axis=0)
丢弃指定轴上的指定项。
df.sort_index(axis=0, ascending=True)
df.sort_index(by=[a,b,...])
根据索引排序
汇总统计函数
df.count()
非NaN的数量
df.describe()
一次性产生多个汇总统计
df.idxmax(axis=0, skipna=True)
df.idxmin(axis=0, skipna=True)
返回含有最大值的index的Series
返回含有最小值的index的Series
df.quantile(axis=0)
计算样本的分位数
df.sum(axis=0, skipna=True, level=NaN)
df.mean(axis=0, skipna=True, level=NaN)
df.median(axis=0, skipna=True, level=NaN)
df.mad(axis=0, skipna=True, level=NaN)
df.var(axis=0, skipna=True, level=NaN)
df.std(axis=0, skipna=True, level=NaN)
df.skew(axis=0, skipna=True, level=NaN)
df.kurt(axis=0, skipna=True, level=NaN)
df.cumsum(axis=0, skipna=True, level=NaN)
df.cummin(axis=0, skipna=True, level=NaN)
df.cummax(axis=0, skipna=True, level=NaN)
df.cumprod(axis=0, skipna=True, level=NaN)
df.diff(axis=0)
df.pct_change(axis=0)
返回一个含有求和小计的Series
返回一个含有平均值的Series
返回一个含有算术中位数的Series
返回一个根据平均值计算平均绝对离差的Series
返回一个方差的Series
返回一个标准差的Series
返回样本值的偏度（三阶距）
返回样本值的峰度（四阶距）
返回样本的累计和
返回样本的累计最大值
返回样本的累计最小值
返回样本的累计积
返回样本的一阶差分
返回样本的百分比数变化
df.add(df2, fill_value=NaN, axist=1)
df.sub(df2, fill_value=NaN, axist=1)
df.div(df2, fill_value=NaN, axist=1)
df.mul(df2, fill_value=NaN, axist=1)
元素级相加，对齐时找不到元素默认用fill_value&
元素级相减，对齐时找不到元素默认用fill_value&
元素级相除，对齐时找不到元素默认用fill_value&
元素级相乘，对齐时找不到元素默认用fill_value&
df.apply(f, axis=0)
将f函数应用到由各行各列所形成的一维数组上
df.applymap(f)
将f函数应用到各个元素上
df.cumsum(axis=0, skipna=True)
累加，返回累加后的dataframe
2.2.C.2 Dataframe常用函数
选取DataFrame的单个列或一组列
df.ix[val]
选取Dataframe的单个行或一组行
df.ix[:,val]
选取单个列或列子集
df.ix[val1,val2]
将一个或多个轴匹配到新索引
reindex方法
将一个或多个轴匹配到新索引
根据标签选取单行或者单列，返回一个Series
icol、irow方法
根据整数位置选取单列或单行，并返回一个Series
get_value、set_value
根据行标签和列标签选取单个值
2.2.C.3 Dataframe常用索引方式
　　　　运算：
　　　　　　默认情况下，Dataframe和Series之间的算术运算会将Series的索引匹配到的Dataframe的列，沿着列一直向下传播。若索引找不到，则会重新索引产生并集。
　　D.Index
　　　　pandas的索引对象负责管理轴标签和其他元数据（比如轴名称等）。构建Series或DataFrame时，所用到的任何数组或其他序列的标签都会被转换成一个Index。Index对象不可修改，从而在多个数据结构之间安全共享。
主要的Index对象
最广泛的Index对象，将轴标签表示为一个由Python对象组成的NumPy数组
Int64Index
针对整数的特殊Index
MultiIndex
&层次化&索引对象，表示单个轴上的多层索引。可以看做由元组组成的数组
DatetimeIndex
存储纳秒级时间戳（用NumPy的Datetime64类型表示）
PeriodIndex
针对Period数据（时间间隔）的特殊Index
2.2.D.1 主要的Index属性
Index([x,y,...])
append(Index)
连接另一个Index对象，产生一个新的Index
diff(Index)
计算差集，产生一个新的Index
intersection(Index)
union(Index)
isin(Index)
检查是否存在与参数索引中，返回bool型数组
删除索引i处元素，得到新的Index
删除传入的值，得到新Index
insert(i,str)
将元素插入到索引i处，得到新Index
is_monotonic()
当各元素大于前一个元素时，返回true
is_unique()
当Index没有重复值时，返回true
计算Index中唯一值的数组
2.2.D.2 常用Index函数
阅读(...) 评论()Python基于pandas的数据处理（一） - 大饼丸 - 博客园
1 import pandas as pd, numpy as np
2 dates = pd.date_range('', periods=6)
3 df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))
1 mutate + ifelse
1 df['E'] = np.where(df['D'] &= 0, '&=0', '&0')
2 df['F'] = np.random.randint(0, 2, 6)
3 df.assign(G = df.A * df.D) # 或者
4 df['F'] = df['F'].apply(str) #针对单列的
5 df.applymap(str) #这个相当于是mutate_each
1 pd.value_counts(df["E"])
2 pd.pivot_table(df,index=['E','F'])
3 index 也就是取df的rownames，但与R不一样的在于，df可能有多维rownames
1 df.index
2 df.set_index(['A'], drop = 0, append = 1) # 把已有的列设置为index，可保留之前的index，也可以把新的index在原数据中删除
3 df['dates'] = df.index # 新生成一列dates
4 df.reset_index(level=0, inplace=True) # 同上
5 df.reset_index(level=['index']) # 同上
4 删除列和行
1 df = df.drop('index', axis = 1) # 可以删除多列
2 df.drop(df.index[[1,3]])
5 column names
1 df.columns
2 df.columns = ['a', 'b', 'c', 'e', 'd', 'f'] # 重命名
3 df.rename(columns = {'A':'aa','B':'bb', 'C':'cc', 'D':'dd', 'E':'ee', 'F':'ff'}, inplace=True)
4 df.rename(columns=lambda x: x[1:].upper(), inplace=True) # 也可以用函数 inplace参数的意思就是代替原来的变量，深拷贝
6 哑变量 dummy variables
1 pd.Series(['a|b', np.nan, 'a|c']).str.get_dummies()
7 纯粹的df的矩阵，即不包含column和index
1 df.values
2 df.get_values()
1 df.describe() # 只会针对数值型变量做计算
1 df2=pd.DataFrame([[5,6],[7,8]],columns=list('AB'))
2 df.append(df2, ignore_index=True)
10 group by 分组汇总计算，和pivot_table类似
1 df.groupby(['E','F']).mean()
2 df.groupby(['E','F']).agg(['sum', 'mean'])
3 pd.pivot_table(df,index=['E','F'], aggfunc=[np.sum, np.mean])
4 df.pivot_table(index=['E','F'], aggfunc=[np.sum, np.mean]) # 同上
5 df.groupby(['E','F']).agg({'A':['mean','sum'], 'B':'min'}) # groupby 也可以这样写
1 df.sort(['A','B'],ascending=[1,0]) # 按列排序，na_position控制NAN的位置
2 df.sort_index(ascending=0) # 按index排序
1 df[(df.A &= -1) & (df.B &= 0)] # 值筛选
2 df[df.E.str.contains("&")] # 包含某个字符，contains筛选的其实是正则表达式
3 df[df.F.isin(['1'])] # 在列表内
13 变量选择
1 df['A'] # 单个的列
2 df[0:3] # 行
3 df['':''] # 按index筛选
4 df.loc[:,] # 类似于R里面的dataframe选行和列的方法
5 df.iloc[:,] # iloc只能用数字了
Trackbacks - 0Python列表list数组array用法实例解析
投稿：shichen2014
字体：[ ] 类型：转载 时间：
这篇文章主要介绍了Python列表list数组array用法,实例解析了关于数组的各种常见操作,非常具有实用价值,需要的朋友可以参考下
本文以实例形式详细讲述了Python列表list数组array用法。分享给大家供大家参考。具体如下：
Python中的列表(list)类似于C#中的可变数组（ArrayList），用于顺序存储结构。
代码如下:sample_list = ['a',1,('a','b')]
Python 列表操作
代码如下:sample_list = ['a','b',0,1,3]
得到列表中的某一个值
代码如下:value_start = sample_list[0]&
end_value = sample_list[-1]
删除列表的第一个值
代码如下:del sample_list[0]
在列表中插入一个值
代码如下:sample_list[0:0] = ['sample value']
得到列表的长度
代码如下:list_length = len(sample_list)
代码如下:for element in sample_list:&
print(element)
Python 列表高级操作/技巧
产生一个数值递增列表
代码如下:num_inc_list = range(30)&
#will return a list [0,1,2,...,29]
用某个固定值初始化列表
代码如下:initial_value = 0&
list_length = 5&
sample_list = [ initial_value for i in range(10)]&
sample_list = [initial_value]*list_length&
# sample_list ==[0,0,0,0,0]
附：python内置类型'
1、list：列表 （即动态数组，C++标准库的vector，但可含不同类型的元素于一个list中）
代码如下:a = ["I","you","he","she"]&&&&& #元素可为任何类型。
下标：按下标读写，就当作数组处理
以0开始，有负下标的使用
0第一个元素，-1最后一个元素，
-len第一个元 素，len-1最后一个元素
取list的元素数量
代码如下:len(list)&& #list的长度。实际该方法是调用了此对象的__len__(self)方法。
创建连续的list
代码如下:L = range(1,5)&&&&& #即 L=[1,2,3,4],不含最后一个元素
L = range(1, 10, 2) #即 L=[1, 3, 5, 7, 9]
list的方法
代码如下:L.append(var)&& #追加元素
L.insert(index,var)
L.pop(var)&&&&& #返回最后一个元素，并从list中删除之
L.remove(var)&& #删除第一次出现的该元素
L.count(var)&&& #该元素在列表中出现的个数
L.index(var)&&& #该元素的位置,无则抛异常
L.extend(list)& #追加list，即合并list到L上
L.sort()&&&&&&& #排序
L.reverse()&&&& #倒序
list 操作符:,+,*，关键字del
代码如下:a[1:]&&&&&& #片段操作符，用于子list的提取
[1,2]+[3,4] #为[1,2,3,4]。同extend()
[2]*4&&&&&& #为[2,2,2,2]
del L[1]&&& #删除指定下标的元素
del L[1:3]& #删除指定下标范围的元素
list的复制
代码如下:L1 = L&&&&& #L1为L的别名，用C来说就是指针地址相同，对L1操作即对L操作。函数参数就是这样传递的
L1 = L[:]&& #L1为L的克隆，即另一个拷贝。
list comprehension
[ &expr1& for k in L if &expr2& ]
2、dictionary： 字典（即C++标准库的map）
代码如下:dict = {'ob1′:'computer', 'ob2′:'mouse', 'ob3′:'printer'}
每一个元素是pair，包含key、value两部分。key是Integer或string类型，value 是任意类型。
键是唯一的，字典只认最后一个赋的键值。
dictionary的方法
代码如下:D.get(key, 0)&&&&&& #同dict[key]，多了个没有则返回缺省值，0。[]没有则抛异常
D.has_key(key)&&&&& #有该键返回TRUE，否则FALSE
D.keys()&&&&&&&&&&& #返回字典键的列表
D.values()
D.update(dict2)&&&& #增加合并字典
D.popitem()&&&&&&&& #得到一个pair，并从字典中删除它。已空则抛异常
D.clear()&&&&&&&&&& #清空字典，同del dict
D.copy()&&&&&&&&&&& #拷贝字典
D.cmp(dict1,dict2)& #比较字典，(优先级为元素个数、键大小、键值大小)
#第一个大返回1，小返回-1，一样返回0
dictionary的复制
代码如下:dict1 = dict&&&&&&& #别名
dict2=dict.copy()&& #克隆，即另一个拷贝。
3、tuple：元组（即常量数组）
代码如下:tuple = ('a', 'b', 'c', 'd', 'e')
可以用list的 [],:操作符提取元素。就是不能直接修改元素。
4、string：&&&& 字符串（即不能修改的字符list）
代码如下:str = "Hello My friend"
字符串是一个整 体。如果你想直接修改字符串的某一部分，是不可能的。但我们能够读出字符串的某一部分。
子字符串的提取
代码如下:str[:6]
字符串包含 判断操作符：in，not in
代码如下:"He" in str
"she" not in str
string模块，还提供了很多方法，如
代码如下:S.find(substring, [start [,end]]) #可指范围查找子串，返回索引值，否则返回-1
S.rfind(substring,[start [,end]]) #反向查找
S.index(substring,[start [,end]]) #同find，只是找不到产生ValueError异常
S.rindex(substring,[start [,end]])#同上反向查找
S.count(substring,[start [,end]]) #返回找到子串的个数
S.lowercase()
S.capitalize()&&&&& #首字母大写
S.lower()&&&&&&&&&& #转小写
S.upper()&&&&&&&&&& #转大写
S.swapcase()&&&&&&& #大小写互换
S.split(str, ' ')&& #将string转list，以空格切分
S.join(list, ' ')&& #将list转string，以空格连接
处理字符串的内置函数
代码如下:len(str)&&&&&&&&&&&&&&& #串长度
cmp("my friend", str)&& #字符串比较。第一个大，返回1
max('abcxyz')&&&&&&&&&& #寻找字符串中最大的字符
min('abcxyz')&&&&&&&&&& #寻找字符串中最小的字符
string的转换
oat(str) #变成浮点数，float("1e-1″)& 结果为0.1
int(str)&&&&&&& #变成整型，& int("12″)& 结果为12
int(str,base)&& #变成base进制整型数，int("11″,2) 结果为2
long(str)&&&&&& #变成长整型，
long(str,base)& #变成base进制长整型，
字符串的格式化（注意其转义字符，大多如C语言的，略）
代码如下:str_format % (参数列表) ?#参数列表是以tuple的形式定义的，即不可运行中改变
&&&print ""%s's height is %dcm" % ("My brother", 180)
#结果显示为 My brother's height is 180cm
list 和 tuple 的相互转化
代码如下:tuple(ls)
Python 去掉List中重复的元素
代码如下:a = [3, 3, 5, 7, 7, 5, 4, 2]
a = list(set(a)) # [2, 3, 4, 5, 7] 连排序都做好了
希望本文所述对大家的Python程序设计有所帮助。
您可能感兴趣的文章:
大家感兴趣的内容
12345678910
最近更新的内容
常用在线小工具