开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

Python/Pandas仅显示数据框中的前10列和后10列

Python是一种高级编程语言，而Pandas是Python中一个强大的数据分析库。在使用Pandas进行数据分析时，有时候我们只关注数据框中的前10列和后10列。下面是一个完善且全面的答案：

Python/Pandas仅显示数据框中的前10列和后10列的方法有多种。以下是其中两种常用的方法：

方法一：使用head()和tail()函数 head()函数用于显示数据框的前n行，默认为前5行。tail()函数用于显示数据框的后n行，默认为后5行。通过将n设置为10，我们可以只显示前10列和后10列。

示例代码：

import pandas as pd

# 创建一个示例数据框
data = {'A': range(1, 21),
        'B': range(21, 41),
        'C': range(41, 61),
        'D': range(61, 81),
        'E': range(81, 101),
        'F': range(101, 121),
        'G': range(121, 141),
        'H': range(141, 161),
        'I': range(161, 181),
        'J': range(181, 201),
        'K': range(201, 221),
        'L': range(221, 241),
        'M': range(241, 261),
        'N': range(261, 281),
        'O': range(281, 301),
        'P': range(301, 321),
        'Q': range(321, 341),
        'R': range(341, 361),
        'S': range(361, 381),
        'T': range(381, 401)}

df = pd.DataFrame(data)

# 仅显示前10列
print(df.head(10))

# 仅显示后10列
print(df.tail(10))

方法二：使用iloc索引 iloc是Pandas中用于按位置选择数据的方法。我们可以使用iloc[:, :10]选择前10列，使用iloc[:, -10:]选择后10列。

示例代码：

import pandas as pd

# 创建一个示例数据框
data = {'A': range(1, 21),
        'B': range(21, 41),
        'C': range(41, 61),
        'D': range(61, 81),
        'E': range(81, 101),
        'F': range(101, 121),
        'G': range(121, 141),
        'H': range(141, 161),
        'I': range(161, 181),
        'J': range(181, 201),
        'K': range(201, 221),
        'L': range(221, 241),
        'M': range(241, 261),
        'N': range(261, 281),
        'O': range(281, 301),
        'P': range(301, 321),
        'Q': range(321, 341),
        'R': range(341, 361),
        'S': range(361, 381),
        'T': range(381, 401)}

df = pd.DataFrame(data)

# 仅显示前10列
print(df.iloc[:, :10])

# 仅显示后10列
print(df.iloc[:, -10:])

以上两种方法都可以实现仅显示数据框中的前10列和后10列的效果。具体选择哪种方法取决于个人偏好和具体情况。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云官网：https://cloud.tencent.com/
云服务器（CVM）：https://cloud.tencent.com/product/cvm
云数据库 MySQL 版：https://cloud.tencent.com/product/cdb_mysql
云原生应用引擎 TKE：https://cloud.tencent.com/product/tke
人工智能平台 AI Lab：https://cloud.tencent.com/product/ailab
物联网套件 IoT Explorer：https://cloud.tencent.com/product/iothub
移动开发平台 MDP：https://cloud.tencent.com/product/mdp
云存储 COS：https://cloud.tencent.com/product/cos
区块链服务 BaaS：https://cloud.tencent.com/product/baas
元宇宙服务：https://cloud.tencent.com/product/metaspace

相关搜索:python中的pandas显示数据框的完整内容使用pandas查找数据框列中的前2个突出显示excel中pandas数据框中的单词如何根据列中前20%的值创建pandas数据框？如何根据Pandas数据框中的前几行添加额外的列？Python -根据条件和查询构建pandas数据框的列突出显示数据框Pandas HTML中的某些单词在Pandas中总结括号前、括号后和括号内的文本如何使用Pandas python仅显示csv文件中的列头过滤pandas数据框中的最大日期和符号 Python -基于其他数据框列中满足的条件填充PANDAS数据框列 Python pandas仅提取所需的列和列中的所需值标识按ID和日期分组的数据框中的前几行使用前一行中的两列确定pandas数据框中的列值在python中从MySQL表创建数据框的pandas列表使用嵌套的if语句python pandas在数据框中填充无在pandas数据框中，在groupby之后选择每个组中的前3个类别将中的分隔项的python列表转换为pandas数据框打印数据框Pandas中的特定行和特定列如何过滤pandas数据框中的小写行和小写单词？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

手把手教你做一个“渣”数据师，用Python代替老情人Excel

现在，要成为一个合格的数据分析师，你说你不会Python，大概率会被江湖人士耻笑。

03

"Python替代Excel Vba"系列（三）：pandas处理不规范数据

本系列前2篇已经稍微展示了 python 在数据处理方面的强大能力，这主要得益于 pandas 包的各种灵活处理方式。

03

针对SAS用户：Python数据分析库pandas

Python部落(python.freelycode.com)组织翻译，禁止转载，欢迎转发。

02

通宵翻译Pandas官方文档，写了这份Excel万字肝货操作！

这篇万字长文，是黄同学辛苦为大家辛苦翻译排版。希望大家一定从头到尾学习，否则，可能会找不到操作的数据源。

02

用Python只需要三分钟即可精美地可视化COVID-19数据

Matplotlib可能是Python的事实数据可视化库，但它并不总是最漂亮的。在本文中，我们将探讨如何将单调的默认Matplotlib图变成漂亮的数据可视化。我们将探索COVID-19数据，以了解该病毒如何在不同国家传播（我们只是针对数据进行分析不对任何做出评价）。

03

强烈推荐一个Python库！制作Web Gui也太简单了！

之前小编用Python做GUI界面，首选就是Tkinter、PyQt5 。但是它们实现起来工作量及代码量太大，还要一步步设计调试界面排版等问题，而且界面最终呈现也不是特别美观，还有就是打包后太大等一系列问题。

01

Seaborn-让绘图变得有趣

如果曾经在Python中使用过线图，条形图等图形，那么一定已经遇到了名为matplotlib的库。

02

太赞了！30 个 Python 函数，加速你的数据分析处理速度！

Pandas 是 Python 中最广泛使用的数据分析和操作库。它提供了许多功能和方法，可以加快「数据分析」和「预处理」步骤。

06

实操 | 内存占用减少高达90%，还不用升级硬件？没错，这篇文章教你妙用Pandas轻松处理大规模数据

编译 | AI科技大本营（rgznai100）参与 | 周翔注：Pandas(Python Data Analysis Library) 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。此外，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。相比较于 Numpy，Pandas 使用一个二维的数据结构 DataFrame 来表示表格式的数据，可以存储混合的数据结构，同时使用 NaN 来表示缺失的数据，而不用像 Numpy 一样要手工处理

04

使用Pandas进行数据分析

在您阅读这篇文章之前，您需要先了解以下内容：

05

时间序列数据处理，不再使用pandas

Pandas DataFrame通常用于处理时间序列数据。对于单变量时间序列，可以使用带有时间索引的 Pandas 序列。而对于多变量时间序列，则可以使用带有多列的二维 Pandas DataFrame。然而，对于带有概率预测的时间序列，在每个周期都有多个值的情况下，情况又如何呢？图(1)展示了销售额和温度变量的多变量情况。每个时段的销售额预测都有低、中、高三种可能值。尽管 Pandas 仍能存储此数据集，但有专门的数据格式可以处理具有多个协变量、多个周期以及每个周期具有多个样本的复杂情况。

01

【Mark一下】46个常用 Pandas 方法速查表

导读：Pandas是日常数据分析师使用最多的分析和处理库之一，其中提供了大量方便实用的数据结构和方法。但在使用初期，很多人会不知道：

02

Pandas profiling 生成报告并部署的一站式解决方案

Pandas 库功能非常强大，特别有助于数据分析与处理，并为几乎所有操作提供了完整的解决方案。一种常见的Pandas函数是pandas describe。它向用户提供数据集所有特征的描述性统计摘要，尽管其比较常用，但它仍然没有提供足够详细的功能。

01

如何用 Python 和 Pandas 分析犯罪记录开放数据？

3月2日，应主办方 TechMill 的邀请，我参加了在达拉斯公共图书馆举行的“达拉斯-沃斯堡开放数据日”（DFW Open Data Day）。

02

基于Python数据分析之pandas统计分析

pandas模块为我们提供了非常多的描述性统计分析的指标函数，如总和、均值、最小值、最大值等，我们来具体看看这些函数：

02

使用pandas进行数据快捷加载

导读：在已经准备好工具箱的情况下，我们来学习怎样使用pandas对数据进行加载、操作、预处理与打磨。

02

分析你的个人Netflix数据

这是一个在过去几年里反复出现在我脑海中的问题。很长一段时间以来，情景喜剧一直是我的首选。

05

Python从零开始第三章数据处理与分析①python中的dplyr（1）

我经常使用R的dplyr软件包进行探索性数据分析和数据处理。 dplyr除了提供一组可用于解决最常见数据操作问题的一致函数外，dplyr还允许用户使用管道函数编写优雅的可链接的数据操作代码。

04

Python3分析CSV数据

with语句在语句结束时自动关闭文件对象。使用csv模块reader函数创建文件读取对象filereader，读取输入文件中的行。使用csv模块的writer函数创建文件写入对象filewriter，将数据写入输出文件。函数的第二个参数（delimiter=','）是默认分隔符，如果输入和输出文件都用逗号分隔，就不需要此参数。使用filewriter对象的writerow函数来将每行中的列表值写入输出文件。

01

加载大型CSV文件到Pandas DataFrame的技巧和诀窍

现实世界中的大多数数据集通常都非常庞大，以千兆字节为单位，并包含数百万行。在本文中，我将讨论处理大型CSV数据集时可以采用的一些技巧。

01

使用 Python 进行财务数据分析实战

在迅速变化的金融领域中，数据分析和解释的能力至关重要。本文探讨了Python在金融数据分析中的应用，包括使用Pandas、NumPy和Matplotlib等Python库，它们能够处理股票市场数据、展示趋势并构建交易策略。无论你是经验丰富的金融分析师还是初入投资领域者，这些见解和技巧都将增强你的分析技能，拓宽对金融市场动态的理解，并帮助你在股票市场做出明智的决策。

01

如何用Python读取开放数据？

当你开始接触丰富多彩的开放数据集时，CSV、JSON和XML等格式名词就会奔涌而来。如何用Python高效地读取它们，为后续的整理和分析做准备呢？本文为你一步步展示过程，你自己也可以动手实践。需求人工智能的算法再精妙，离开数据也是“巧妇难为无米之炊”。数据是宝贵的，开放数据尤其珍贵。无论是公众号、微博还是朋友圈里，许多人一听见“开放数据”、“数据资源”、“数据链接”这些关键词就兴奋不已。好不容易拿到了梦寐以求的数据链接，你会发现下载下来的这些数据，可能有各种稀奇古怪的格式。最常见的，是以下

08

【Python】这25个Pandas高频实用技巧，不得不服！

今天给大家准备了25个pandas高频实用技巧，让你数据处理速度直接起飞。文章较长，建议收藏！

05

整理了 25 个 Pandas 实用技巧，拿走不谢！

来源：www.cnblogs.com/jclian91/p/12305471.html

01

Pandas数据显示不全？快来了解这些设置技巧！ ⛵

我们在应用 Python 进行数据分析挖掘和机器学习时，最常用的工具库就是 Pandas，它可以帮助我们快捷地进行数据处理和分析。

06

10招！看骨灰级Pythoner如何玩转Python

pandas是基于numpy构建的，使数据分析工作变得更快更简单的高级数据结构和操作工具。本文为大家带来10个玩转Python的小技巧，学会了分分钟通关变大神！

03

十分钟掌握Pandas基本操作（上）

为了更好地掌握数据科学必备库Pandas的基本使用，本文通过精灵宝可梦的数据集实战，我们一起过一遍Pandas的基本操作，文中的代码都附有注释，并给出了结果的配图。

01

从小白到大师，这里有一份Pandas入门指南

在阅读本文时，我建议你阅读每个你不了解的函数的文档字符串（docstrings）。简单的 Google 搜索和几秒钟 Pandas 文档的阅读，都会使你的阅读体验更加愉快。

03

从小白到大师，这里有一份Pandas入门指南

在阅读本文时，我建议你阅读每个你不了解的函数的文档字符串（docstrings）。简单的 Google 搜索和几秒钟 Pandas 文档的阅读，都会使你的阅读体验更加愉快。

03

从小白到大师，这里有一份Pandas入门指南

在阅读本文时，我建议你阅读每个你不了解的函数的文档字符串（docstrings）。简单的 Google 搜索和几秒钟 Pandas 文档的阅读，都会使你的阅读体验更加愉快。

01

Pandas 秘籍：1~5

本章的目的是通过彻底检查序列和数据帧数据结构来介绍 Pandas 的基础。对于 Pandas 用户来说，了解序列和数据帧的每个组件，并了解 Pandas 中的每一列数据正好具有一种数据类型，这一点至关重要。

01

有比Pandas 更好的替代吗?对比Vaex, Dask, PySpark, Modin 和Julia

表格是存储数据的最典型方式，在Python环境中没有比Pandas更好的工具来操作数据表了。尽管Pandas具有广泛的能力，但它还是有局限性的。比如，如果数据集超过了内存的大小，就必须选择一种替代方法。但是，如果在内存合适的情况下放弃Pandas使用其他工具是否有意义呢？

01

Pandas 2.2 中文官方教程和指南（四）

由于许多潜在的 pandas 用户对 SQL 有一定的了解，本页旨在提供使用 pandas 执行各种 SQL 操作的一些示例。

01

左手用R右手Python系列——因子变量与分类重编码

今天这篇介绍数据类型中因子变量的运用在R语言和Python中的实现。因子变量是数据结构中用于描述分类事物的一类重要变量。其在现实生活中对应着大量具有实际意义的分类事物。比如年龄段、性别、职位、爱好，星座等。之所以给其单独列出一个篇幅进行讲解，除了其在数据结构中的特殊地位之外，在数据可视化和数据分析与建模过程中，因子变量往往也承担中描述某一事物重要维度特征的作用，其意义非同寻常，无论是在数据处理过程中还是后期的分析与建模，都不容忽视。通常意义上，按照其所描述的维度实际意义，因子变量一般又可细分为无序因

05

（数据科学学习手札06）Python在数据框操作上的总结（初级篇）

数据框（Dataframe）作为一种十分标准的数据结构，是数据分析中最常用的数据结构，在Python和R中各有对数据框的不同定义和操作。 Python 本文涉及Python数据框，为了更好的视觉效果，使用jupyter notebook作为演示的编辑器;Python中的数据框相关功能集成在数据分析相关包pandas中，下面对一些常用的关于数据框的知识进行说明： 1.数据框的创建 import pandas as pd from numpy import random a = [i for i in rang

05

涨姿势！看骨灰级程序员如何玩转Python

每个人都知道这个命令。但如果你要读取很大的数据，尝试添加这个参数：nrows = 5，以便在实际加载整个表之前仅读取表的一小部分。然后你可以通过选择错误的分隔符来避免错误(它不一定总是以逗号分隔)。

02

如何使用 Python 抓取 Reddit网站的数据？

在本文中，我们将了解如何使用Python来抓取Reddit，这里我们将使用Python的PRAW（Python Reddit API Wrapper）模块来抓取数据。Praw 是 Python Reddit API 包装器的缩写，它允许通过 Python 脚本使用 Reddit API。

02

14个pandas神操作，手把手教你写代码

导读：Pandas是Python数据分析的利器，也是各种数据建模的标准工具。本文带大家入门Pandas，将介绍Python语言、Python数据生态和Pandas的一些基本功能。

02

pandas参数设置小技巧

在日常使用pandas的过程中，由于我们所分析的数据表规模、格式上的差异，使得同样的函数或方法作用在不同数据上的效果存在差异。

01

如何用Python读取开放数据？

当你开始接触丰富多彩的开放数据集时，CSV、JSON和XML等格式名词就会奔涌而来。如何用Python高效地读取它们，为后续的整理和分析做准备呢？本文为你一步步展示过程，你自己也可以动手实践。

02

Pandas 2.2 中文官方教程和指南（一）

安装 pandas 的最简单方法是作为Anaconda发行版的一部分安装，这是一个用于数据分析和科学计算的跨平台发行版。Conda包管理器是大多数用户推荐的安装方法。

01

利用query()与eval()优化pandas代码

利用pandas进行数据分析的过程，不仅仅是计算出结果那么简单，很多初学者喜欢在计算过程中创建一堆命名「随心所欲」的中间变量，一方面使得代码读起来费劲，另一方面越多的不必要的中间变量意味着越高的内存占用，越多的计算资源消耗。

03

别说你会用Pandas

这两个库使用场景有些不同，Numpy擅长于数值计算，因为它基于数组来运算的，数组在内存中的布局非常紧凑，所以计算能力强。但Numpy不适合做数据处理和探索，缺少一些现成的数据处理函数。

01

（数据科学学习手札92）利用query()与eval()优化pandas代码

利用pandas进行数据分析的过程，不仅仅是计算出结果那么简单，很多初学者喜欢在计算过程中创建一堆命名随心所欲的中间变量，一方面使得代码读起来费劲，另一方面越多的不必要的中间变量意味着越高的内存占用，越多的计算资源消耗。

02

干货：用Python加载数据的5种不同方式，收藏！

数据是数据科学家的基础，因此了解许多加载数据进行分析的方法至关重要。在这里，我们将介绍五种Python数据输入技术，并提供代码示例供您参考。

01

[编程经验] Pandas入门（一）

今天和大家介绍一个非常厉害的数据处理的工具，Pandas。Python中比较有名的数据处理的库除了Pandas，还有Numpy，Matplotlib。这三个在平时学习的时候的会经常遇到，而且每一个功能都非常强大。对于这类库的学习，开始的时候，总是遇到某个问题的时候，就会去找度娘，所以有必要总结一下，方便自己也方便大家。恩，废话不多说，下面开始。 Pandas主要包括两种数据结构，一个是Series，一个是DataFrame。可以理解为多个Series组合在一起就构成了DataFrame。下面我分别介绍一下，

03

Pandas常用命令汇总，建议收藏！

凭借其广泛的功能，Pandas 对于数据清理、预处理、整理和探索性数据分析等活动具有很大的价值。

01

Scikit-Learn教程：棒球分析 (一)

一个scikit-learn教程，通过将数据建模到KMeans聚类模型和线性回归模型来预测MLB每赛季的胜利。

02

左手用R右手Python系列7——排序

排序可能是日常数据清洗过程中比较高频的应用了，今天这一篇给大家介绍R语言和Python中最为常见的排序函数应用。 R语言： sort order rank arrange 排序根据对向量排序和数据框的排序要使用不同的函数，以上四个函数中，前三个是针对向量的，最后一个是针对数据框的。 sort x<-c(97,93,85,74,32,100,99,67) sort(x,decreasing=F) #默认是生序排列，其中decreasing参数默认为FALSE。 sort(x,decreasing=T) #降序

04

用一行Python代码创建高级财务图表

今天带大家一起学习一个小众，但很厉害的可视化库mplfinance，一起掌握最灵活的python库来创建漂亮的金融可视化。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭