一、DataFrame是否为空
判断整个DataFrame是否为空的方法：
pandas.DataFrame.empty示例：
df = pd.DataFrame({'fruits':['apple', 'orange', 'watermelon'], 'price':[6, 4, 2]})df fruits price0 apple 61 orange 42 watermelon 2if df.empty: print('=== df为空 ===')else: print('=== df非空 ===') # === df非空 ===df_empty = pd.DataFrame(columns=['fruits', 'price'])df_emptyEmpty DataFrameColumns: [fruits, price]Index: []if df_empty.empty: print('=== df_empty为空 ===') # === df_empty为空 ===else: print('=== df_empty非空 ===') 而判断具体某个元素是否为NAN，则可以使用isna()函数：
df = pd.DataFrame({'fruits':['apple', 'orange', 'watermelon'], 'price':[6, 4, 2]})df fruits price0 apple 61 orange 42 watermelon 2df.isna() fruits price0 False False1 False False2 False False或者使用空值的特征判断（NAN的一大特征就是不等于本身）：
np.nan != np.nanTrue二、DataFrame行/列差值计算
计算DataFrame行/列的差值使用：
DataFrame.diff(periods=1, axis=0)其中，
periods：默认值是1，表示两行/列的索引之差，即平移的区间，periods为正整数表示索引大的行/列减去索引小的，反之；axis：运算的轴，默认为0，表示按照行进行计算，axis=1，表示按照列进行计算。
示例：
2.1 periods示例
df = pd.DataFrame({'price':[6, 4, 2, 4, 6], 'weight': [12, 43, 23, 3, 5], 'total':[72, 172, 46, 12, 30]})df price weight total0 6 12 721 4 43 1722 2 23 463 4 3 124 6 5 30# 默认对行操作，periods=1表示后一行减前一行df.diff(periods=1) price weight total0 NaN NaN NaN1 -2.0 31.0 100.02 -2.0 -20.0 -126.03 2.0 -20.0 -34.04 2.0 2.0 18.0# periods=2表示做差的两行间相隔一行df.diff(periods=2) price weight total0 NaN NaN NaN1 NaN NaN NaN2 -4.0 11.0 -26.03 0.0 -40.0 -160.04 4.0 -18.0 -16.0# 默认对行操作，periods=-1表示前一行减后一行df.diff(periods=-1) price weight total0 2.0 -31.0 -100.01 2.0 20.0 126.02 -2.0 20.0 34.03 -2.0 -2.0 -18.04 NaN NaN NaN2.2 axis示例
df price weight total0 6 12 721 4 43 1722 2 23 463 4 3 124 6 5 30# axis=0表示对行操作df.diff(periods=1, axis=0) price weight total0 NaN NaN NaN1 -2.0 31.0 100.02 -2.0 -20.0 -126.03 2.0 -20.0 -34.04 2.0 2.0 18.0# axis=1表示对列操作df.diff(periods=1, axis=1) price weight total0 NaN 6 601 NaN 39 1292 NaN 21 233 NaN -1 94 NaN -1 25三、DataFrame行/列变化率计算
计算DataFrame中行/列的变化率时使用函数：
pd.DataFrame.pct_change(periods, fill_method, limit, freq, **kwargs)参数含义：
periods: int类型，默认为1，含义同diff函数中的periods；fill_method: str类型, 默认为’pad’，表示在计算变化率之前如何处理空值。'pad’表示使用前一个值进行缺失值填充；limit: int类型, 默认为None，表示填充的最大NA的数量，如果NA的数量大于limit，那么停止填充NA元素；freq: DateOffset, timedelta, 或者 str类型，可选参数，表示时间序列 API 中使用的增量(例如“M”或BDay())；**kwargs，其他传递到DataFrame.shift或Series.shift的关键字参数。
函数返回值类型与调用对象一致，为Series或者DataFrame。
Examples：
-----------**Series**----------- >>> s = pd.Series([90, 91, 85]) >>> s 0 90 1 91 2 85 dtype: int64 >>> s.pct_change() 0 NaN 1 0.011111 2 -0.065934 dtype: float64 >>> s.pct_change(periods=2) 0 NaN 1 NaN 2 -0.055556 dtype: float64 # 存在空值时，使用前一个有效值先填充后再计算 >>> s = pd.Series([90, 91, None, 85]) >>> s 0 90.0 1 91.0 2 NaN 3 85.0 dtype: float64 >>> s.pct_change(fill_method='ffill') 0 NaN 1 0.011111 2 0.000000 3 -0.065934 dtype: float64---------------**DataFrame**--------------- >>> df = pd.DataFrame({ ... 'FR': [4.0405, 4.0963, 4.3149], ... 'GR': [1.7246, 1.7482, 1.8519], ... 'IT': [804.74, 810.01, 860.13]}, ... index=['1980-01-01', '1980-02-01', '1980-03-01']) >>> df FR GR IT 1980-01-01 4.0405 1.7246 804.74 1980-02-01 4.0963 1.7482 810.01 1980-03-01 4.3149 1.8519 860.13 >>> df.pct_change() FR GR IT 1980-01-01 NaN NaN NaN 1980-02-01 0.013810 0.013684 0.006549 1980-03-01 0.053365 0.059318 0.061876 # 对列进行变化百分比计算，同时periods=-1表示前一列相对后一列的变化率 >>> df = pd.DataFrame({ ... '2016': [1769950, 30586265], ... '2015': [1500923, 40912316], ... '2014': [1371819, 41403351]}, ... index=['GOOG', 'APPL']) >>> df 2016 2015 2014 GOOG 1769950 1500923 1371819 APPL 30586265 40912316 41403351 >>> df.pct_change(axis='columns', periods=-1) 2016 2015 2014 GOOG 0.179241 0.094112 NaN APPL -0.252395 -0.011860 NaN【述毕】
笔者独自运营了微信公众号，用于分享个人学习及工作生活趣事，大家可以关注一波。（微信搜索“微思研”）
来源地址：https://blog.csdn.net/weixin_44237659/article/details/131055002
