pandas 从一个表根据条件复制到另一个表？

1. pandas 从一个表根据条件复制到另一个表？

下面这段代码应该可以（假设姓名不重复）：
df1 = df1.set_index('姓名')
df2 = df2.set_index('姓名')
df2.update(df1)
df1.reset_index(inplace=True)
df2.reset_index(inplace=True)

2. 请教高手如何在excel中将表1一次性替换成表2，是一次性，不胜感激!!

鼠标选中表2补考课程栏，直接复制，到表1中，也先选中补考课程栏，再粘贴~

3. excel实战如何将表1变成表2？

本问题用Power Query极为简单，就简单的几个步骤，或者说轻点几下鼠标即得到结果。而公式处理会有相当的难度。
光标定位到数据区域中，数据菜单——获取或转换数据——自表格/区域，Excel自动将原数据区域转换为表格，确定后启动PQ。
在PQ中，本问题就一个关键步骤——逆透视项目与成绩列。不过因为你要求没成绩的保持显示，所以在逆透视前要先将空值替换为其他内容，如数字0
再逆透视项目与成绩列，再把前面替换的内容再次替换回来，然后把标题修改一下，上载数据回工作表即可。

4. 利用Python中的pandas如何写入到excel指定的单元格中？

利用第三方库：openpyxl 可以实现，示例代码如下：
from openpyxl import Workbook 
 wb = Workbook()
ws = wb['sheet1']
ws['C2'].value = 100

5. 如何将表1、表2中的数据，自动匹配到总表。总表引用的数据只要数字，不要单位？

以3个表为例
B2输入    =--SUBSTITUTE(OFFSET($G$3,ROW(A1)-1,3*(COLUMN(A1)-1)),"包",)  右拉下拉

6. sql怎么把一个表中字段的部分内容替换成另一个表字段的内容

mysql可以用以下方法
-- tableb 通过 aid 关联tablea 的id，把tableb的fielda字段写入tablea的fielda字段UPDATE tablea SET fielda = (select fielda from tableb where tablea.id=tableb.aid)-- 关联方式一样，把tablea中fielda的字段中的特定字符串替换成tableb中指定字段的值update tablea set fielda = REPLACE(fielda,'[价格]',(select price from tableb where tablea.id=tableb.aid))sql server就不能一条语句更新了，要做存储过程来处理

7. 如何使用python将word中的特定文字替换为表格

Python替换某个文本中的字符串，然后生成新的文本文档，代码如下：
import osos.chdir('D:\\')       # 跳到D盘if not os.path.exists('test1.txt'): # 看一下这个文件是否存在exit(-1)                         #不存在就退出lines = open('test1.txt').readlines()  #打开文件，读入每一行fp = open(''test2.txt','w')  #打开你要写得文件test2.txtfor s in lines:# replace是替换，write是写入fp.write( s.replace('love','hate').replace('yes','no'))    fp.close()  # 关闭文件

8. Python pandas用法

 在Python中，pandas是基于NumPy数组构建的，使数据预处理、清洗、分析工作变得更快更简单。pandas是专门为处理表格和混杂数据设计的，而NumPy更适合处理统一的数值数组数据。   使用下面格式约定，引入pandas包：
    pandas有两个主要数据结构：Series和DataFrame。 
   Series是一种类似于一维数组的对象，它由 一组数据 （各种NumPy数据类型）以及一组与之相关的 数据标签（即索引） 组成，即index和values两部分，可以通过索引的方式选取Series中的单个或一组值。
    pd.Series(list,index=[ ]) ，第二个参数是Series中数据的索引，可以省略。
   Series类型索引、切片、运算的操作类似于ndarray，同样的类似Python字典类型的操作，包括保留字in操作、使用.get()方法。   Series和ndarray之间的主要区别在于Series之间的操作会根据索引自动对齐数据。
   DataFrame是一个表格型的数据类型，每列值类型可以不同，是最常用的pandas对象。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中的数据是以一个或多个二维块存放的（而不是列表、字典或别的一维数据结构）。
    pd.DataFrame(data,columns = [ ],index = [ ]) ：columns和index为指定的列、行索引，并按照顺序排列。
   如果创建时指定了columns和index索引，则按照索引顺序排列，并且如果传入的列在数据中找不到，就会在结果中产生缺失值：
                                            数据索引 ：Series和DataFrame的索引是Index类型，Index对象是不可修改，可通过索引值或索引标签获取目标数据，也可通过索引使序列或数据框的计算、操作实现自动化对齐。索引类型index的常用方法：
                                                                                                                            重新索引 ：能够改变、重排Series和DataFrame索引，会创建一个新对象，如果某个索引值当前不存在，就引入缺失值。    df.reindex(index, columns ,fill_value, method, limit, copy ) ：index/columns为新的行列自定义索引；fill_value为用于填充缺失位置的值；method为填充方法，ffill当前值向前填充，bfill向后填充；limit为最大填充量；copy 默认True，生成新的对象，False时，新旧相等不复制。
    删除指定索引 ：默认返回的是一个新对象。    .drop() ：能够删除Series和DataFrame指定行或列索引。   删除一行或者一列时，用单引号指定索引，删除多行时用列表指定索引。   如果删除的是列索引，需要增加axis=1或axis='columns'作为参数。   增加inplace=True作为参数，可以就地修改对象，不会返回新的对象。   
                                           
   在pandas中，有多个方法可以选取和重新组合数据。对于DataFrame，表5-4进行了总结
                                                                                   
    适用于Series和DataFrame的基本统计分析函数 ：传入axis='columns'或axis=1将会按行进行运算。    .describe() ：针对各列的多个统计汇总，用统计学指标快速描述数据的概要。    .sum() ：计算各列数据的和    .count() ：非NaN值的数量    .mean( )/.median() ：计算数据的算术平均值、算术中位数    .var()/.std() ：计算数据的方差、标准差    .corr()/.cov() ：计算相关系数矩阵、协方差矩阵，是通过参数对计算出来的。Series的corr方法用于计算两个Series中重叠的、非NA的、按索引对齐的值的相关系数。DataFrame的corr和cov方法将以DataFrame的形式分别返回完整的相关系数或协方差矩阵。    .corrwith() ：利用DataFrame的corrwith方法，可以计算其列或行跟另一个Series或DataFrame之间的相关系数。传入一个Series将会返回一个相关系数值Series（针对各列进行计算），传入一个DataFrame则会计算按列名配对的相关系数。    .min()/.max() ：计算数据的最小值、最大值    .diff() ：计算一阶差分，对时间序列很有效    .mode() ：计算众数，返回频数最高的那（几）个    .mean() ：计算均值    .quantile() ：计算分位数（0到1）    .isin() ：用于判断矢量化集合的成员资格，可用于过滤Series中或DataFrame列中数据的子集    适用于Series的基本统计分析函数，DataFrame[列名]返回的是一个Series类型。     .unique() ：返回一个Series中的唯一值组成的数组。    .value_counts() ：计算一个Series中各值出现的频率。    .argmin()/.argmax() ：计算数据最大值、最小值所在位置的索引位置（自动索引）    .idxmin()/.idxmax() ：计算数据最大值、最小值所在位置的索引（自定义索引）
   pandas提供了一些用于将表格型数据读取为DataFrame对象的函数。下表对它们进行了总结，其中read_csv()、read_table()、to_csv()是用得最多的。
                                           
   在数据分析和建模的过程中，相当多的时间要用在数据准备上：加载、清理、转换以及重塑。
   在许多数据分析工作中，缺失数据是经常发生的。对于数值数据，pandas使用浮点值NaN（np.nan）表示缺失数据，也可将缺失值表示为NA（Python内置的None值）。
    替换值     .replace(old, new) ：用新的数据替换老的数据，如果希望一次性替换多个值，old和new可以是列表。默认会返回一个新的对象，传入inplace=True可以对现有对象进行就地修改。
    删除重复数据 
    利用函数或字典进行数据转换 
   df.head()：查询数据的前五行   df.tail()：查询数据的末尾5行   pandas.cut()   pandas.qcut() 基于分位数的离散化函数。基于秩或基于样本分位数将变量离散化为等大小桶。   pandas.date_range() 返回一个时间索引   df.apply() 沿相应轴应用函数   Series.value_counts() 返回不同数据的计数值   df.aggregate()   df.reset_index() 重新设置index，参数drop = True时会丢弃原来的索引，设置新的从0开始的索引。常与groupby()一起用   numpy.zeros()