使用 NumPy 和 Pandas 进行 Python 式数据清理
数据科学家花费大量时间清理数据集，将它们清理为可以工作的形式。事实上，很多数据科学家表示，80% 的工作都是获取和清理数据。
因此，不管你是刚刚进入这个领域或者计划进入，那么处理混乱数据的能力会非常重要，无论这意味着缺失值、格式不一致、格式错误还是无意义的异常值。
在此教程中，我们将利用 Pandas 和 NumPy 这两个库来清理数据。
我们将介绍以下内容：
- 删除
DataFrame中不必要的列 - 更改
DataFrame的索引 - 用
.str()方法清理列 - 使用
DataFrame.applymap()函数以元素方式清理数据集 - 将列重命名为更易识别的标签
- 跳过 CSV 文件中不必要的行
这些是我们将要用到的数据集：
- BL-Flickr-Images-Book.csv – 包含大英图书馆书籍信息的 CSV 文件
- university_towns.txt – 包含美国各州大学城名称的文本文件
- olympics.csv – 汇总所有国家夏季和冬季奥运会参与情况的 CSV 文件
你可以从 Real Python 的 GitHub 仓库 下载所有数据集，以便查看以下示例。
注意：我推荐使用 Jupyter Notebook 来进行以下步骤。
本教程假设你对 Pandas 和 NumPy 库有基本的了解，包括 Pandas 的主要工作对象 Series 和 DataFrame，应用于它们的常用方法，以及熟悉 NumPy 的 NaN 值。
让我们从 import 这些模块开始吧！
>>> import pandas as pd
>>> import numpy as np
删除 DataFrame 中不必要的列
你经常会发现数据集中并非所有类别的数据都对你有用。例如，你可能有一个数据集包含了学生信息（名字、成绩、标准、父母姓名和住址），但你想要专注于分析学生的成绩。
在这种情况下，住址和父母姓名对你来说并不重要，保留这些类别将占用不必要的空间，并可能拖累运行时间。
Pandas 提供了一个很方便的 drop() 函数来从 DataFrame 中移除列或行。我们来看一个简单的例子，从 DataFrame 中删除一些列。
首先，我们从 CSV 文件 “BL-Flickr-Images-Book.csv” 中创建一个 DataFrame。在下面的例子中，我们把相对路径传递给 pd.read_csv，当前工作路径下，所有的数据集都存放在 Datasets 文件夹中：
>>> df = pd.read_csv('Datasets/BL-Flickr-Images-Book.csv')
>>> df.head()
Identifier Edition Statement Place of Publication \
0 206 NaN London
1 216 NaN London; Virtue & Yorston
2 218 NaN London
3 472 NaN London
4 480 A new edition, revised, etc. London
Date of Publication Publisher \
0 1879 [1878] S. Tinsley & Co.
1 1868 Virtue & Co.
2 1869 Bradbury, Evans & Co.
3 1851 James Darling
4 1857 Wertheim & Macintosh
Title Author \
0 Walter Forbes. [A novel.] By A. A A. A.
1 All for Greed. [A novel. The dedication signed... A., A. A.
2 Love the Avenger. By the author of “All for Gr... A., A. A.
3 Welsh Sketches, chiefly ecclesiastical, to the... A., E. S.
4 [The World in which I live, and my place in it... A., E. S.
Contributors Corporate Author \
0 FORBES, Walter. NaN
1 BLAZE DE BURY, Marie Pauline Rose - Baroness NaN
2 BLAZE DE BURY, Marie Pauline Rose - Baroness NaN
3 Appleyard, Ernest Silvanus. NaN
4 BROOME, John Henry. NaN
Corporate Contributors Former owner Engraver Issuance type \
0 NaN NaN NaN monographic
1 NaN NaN NaN monographic
2 NaN NaN NaN monographic
3 NaN NaN NaN monographic
4 NaN NaN NaN monographic
Flickr URL \
0 http://www.flickr.com/photos/britishlibrary/ta...
1 http://www.flickr.com/photos/britishlibrary/ta...
2 http://www.flickr.com/photos/britishlibrary/ta...
3 http://www.flickr.com/photos/britishlibrary/ta...
4 http://www.flickr.com/photos/britishlibrary/ta...
Shelfmarks
0 British Library HMNTS 12641.b.30.
1 British Library HMNTS 12626.cc.2.
2 British Library HMNTS 12625.dd.1.
3 British Library HMNTS 10369.bbb.15.
4 British Library HMNTS 9007.d.28.
当我们使用 head() 方法查看前五条数据时，我们可以看到一些列提供了对图书馆来说有用的辅助信息，但是对描述书籍本身并没有太多帮助： Edition Statement，Corporate Author，Corporate Contributors，Former owner，Engraver，Issuance type 和 Shelfmarks。
我们可以这样删除这些列：
>>> to_drop = ['Edition Statement',
... 'Corporate Author',
... 'Corporate Contributors',
... 'Former owner',
... 'Engraver',
... 'Contributors',
... 'Issuance type',
... 'Shelfmarks']
>>> df.drop(to_drop, inplace=True, axis=1)
这里，我们定义了一个列表，其中包含了我们想要删除的列的名字。然后调用 drop() 函数，传入 inplace 参数为 True，以及 axis 参数为 1。这两个参数告诉 Pandas 我们想要让改变直接作用在对象上，并且我们需要删除的是列。
再次查看 DataFrame，可以发现不想要的列已经被移除了：
>>> df.head()
Identifier Place of Publication Date of Publication \
0 206 London 1879 [1878]
1 216 London; Virtue & Yorston 1868
2 218 London 1869
3 472 London 1851
4 480 London 1857
Publisher Title \
0 S. Tinsley & Co. Walter Forbes. [A novel.] By A. A
1 Virtue & Co. All for Greed. [A novel. The dedication signed...
2 Bradbury, Evans & Co. Love the Avenger. By the author of “All for Gr...
3 James Darling Welsh Sketches, chiefly ecclesiastical, to the...
4 Wertheim & Macintosh [The World in which I live, and my place in it...
Author Flickr URL
0 A. A. http://www.flickr.com/photos/britishlibrary/ta...
1 A., A. A. http://www.flickr.com/photos/britishlibrary/ta...
2 A., A. A. http://www.flickr.com/photos/britishlibrary/ta...
3 A., E. S. http://www.flickr.com/photos/britishlibrary/ta...
4 A., E. S. http://www.flickr.com/photos/britishlibrary/ta...
columns
参数来删除列，不用单独指定删除的标签以及删除列还是行：
>>> df.drop(columns=to_drop, inplace=True)
这种方法更直观易读，这一步做了什么是非常明显的。
如果你事先知道那些列是你需要保留的，另外一个选择是将列作为 usecols 的参数传给 pd.read_csv。
更改 DataFrame 的索引
Pandas 的 Index 扩展了 NumPy 的数组功能，从而可以实现更多功能的截取和标签。在多数情况下，使用数据唯一有价值的标识字段作为索引是很有帮助的。
例如，在上一节使用的数据集中，可以想象到，图书管理员如果需要搜索记录，他也许输入的是书籍的唯一标识符（Identifier 列）：
>>> df['Identifier'].is_unique
True
set_index
来替换现有的索引：
>>> df = df.set_index('Identifier')
>>> df.head()
Place of Publication Date of Publication \
206 London 1879 [1878]
216 London; Virtue & Yorston 1868
218 London 1869
472 London 1851
480 London 1857
Publisher \
206 S. Tinsley & Co.
216 Virtue & Co.
218 Bradbury, Evans & Co.
472 James Darling
480 Wertheim & Macintosh技术细节： 与 SQL 中的主键不同，Pandas 的 Index 不保证是唯一的，尽管许多索引及合并操作在唯一的情况下运行时会加速。
我们可以使用 loc[] 直接访问每条记录。尽管 loc[] 可能不具有直观的名称，但它允许我们执行基于标签的索引，即标记某一行或某一条记录而不用考虑其位置：
>>> df.loc[206]
Place of Publication London
Date of Publication 1879 [1878]
Publisher S. Tinsley & Co.
Title Walter Forbes. [A novel.] By A. A
Author A. A.
Flickr URL http://www.flickr.com/photos/britishlibrary/ta...
Name: 206, dtype: object
换句话说，206 是索引的第一个标签。如要按位置访问它，我们可以使用 df.iloc[0]，它执行基于位置的索引。
技术细节：.loc[] 在技术上来说是一个类实例，它有一些特殊的语法不完全符合大多数普通 Python 实例方法。
一开始，我们的索引是一个 RangeIndex，也就是从 0 开始的整数，类似于 Python 内置的 range。通过把列的名称传给 set_index，我们将索引改成了 Identifier 中的值。
你可能注意到，我们使用 df = df.set_index(...) 将此方法返回的值重新赋值给变量。这是因为默认情况下，此方法会返回一个修改后的副本，并不会直接对原本的对象进行更改，索引可以通过设置 inplace 参数来避免这种情况：
df.set_index('Identifier', inplace=True)
整理数据中的字段
到这里，我们已经删除了不必要的列，并将 DataFrame 的索引更改为更有意义的列。在这一节，我们将会清理特定的列，使其成为统一的格式，以便更好地理解数据集并强化一致性。具体来说，我们将清理 Date of Publication 和 Place of Publication 这两列。
经过检查，所有的数据类型都是 object dtype，它与 Python 中的 str 类似。
它封装了任何不适用于数字或分类数据的字段。这是有道理的，因为我们使用的数据最初只是一堆杂乱的字符：
>>> df.get_dtype_counts()
object 6
>>> df.loc[1905:, 'Date of Publication'].head(10)
Identifier
1905 1888
1929 1839, 38-54
2836 [1897?]
2854 1865
2956 1860-63
2957 1873
3017 1866
3131 1899
4598 1814
4884 1820
Name: Date of Publication, dtype: object
一本书只能有一个出版日期，因此我们需要做到以下几点：
- 除去方括号内的多余日期，不管出现在哪里，例如：1879 [1878]
- 将日期范围转换为“开始日期”，例如：1860-63; 1839, 38-54
- 完全移除任何不确定的日期，并用 NumPy 的
NaN值替代：[1897?] - 将字符串
nan也转换为 NumPy 的NaN
综合以上，我们实际上可以利用一个正则表达式来提取出版年份：
regex = r'^(\d{4})'
这个正则表达式意图在字符串的开头找到四位数字，这足以满足我们的要求。上面是一个原始字符串（这意味着反斜杠不再是转义字符），这是正则表达式的标准做法。
\d 表示任何数字，{4} 表示重复 4 次，^ 表示匹配字符串的开头，括号表示一个捕获组，它向 Pandas 表明我们想要提取正则表达式的这部分。（我们希望用 ^ 来避免字符串从 [ 开始的情况。）
现在让我们来看看我们在数据集中运行这个表达式时会发生什么：
>>> extr = df['Date of Publication'].str.extract(r'^(\d{4})', expand=False)
>>> extr.head()
Identifier
206 1879
216 1868
218 1869
472 1851
480 1857
Name: Date of Publication, dtype: object
对正则不熟悉？你可以在 regex101.com 这个网站上查看上面这个正则表达式，也可以阅读更多 Python 正则表达式 HOWTO 上的教程。
从技术上讲，这一列仍然是 object dtype，但是我们用 pd.to_numeric 即可轻松获取数字：
>>> df['Date of Publication'] = pd.to_numeric(extr)
>>> df['Date of Publication'].dtype
dtype('float64')
>>> df['Date of Publication'].isnull().sum() / len(df)
0.11717147339205986
结合 NumPy 以及 str 方法来清理列
上一部分，你可能已经注意到我们使用了 df['Date of Publication'].str。这个属性是访问 Pandas 的快速字符串操作的一种方式，它主要模仿了原生 Python 中的字符串或编译的正则表达式方法，例如 .split()、.replace()、.capitalize()。
为了清理 Place of Publication 字段，我们可以结合 Pandas 的 str 方法以及 NumPy 的 np.where 函数，这个函数基本上是 Excel 里的 IF() 宏的矢量化形式。它的语法如下：
>>> np.where(condition, then, else)
这里，condition 可以是一个类似数组的对象或者一个布尔遮罩，如果 condition 为 True，则使用 then 值，否则使用 else 值。
从本质上来说，.where() 函数对对象中的每个元素进行检查，看 condition 是否为 True，并返回一个 ndarray 对象，包含then 或者 else 的值。
它也可以被用于嵌套的 if-then 语句中，允许我们根据多个条件进行计算：
>>> np.where(condition1, x1,
np.where(condition2, x2,
np.where(condition3, x3, ...)))
Place of Publication
一列，因为此列包含字符串。以下是该列的内容：
>>> df['Place of Publication'].head(10)
Identifier
206 London
216 London; Virtue & Yorston
218 London
472 London
480 London
481 London
519 London
667 pp. 40. G. Bryan & Co: Oxford, 1898
874 London]
1143 London
Name: Place of Publication, dtype: object
我们发现某些行中，出版地被其他不必要的信息包围着。如果观察更多值，我们会发现只有出版地包含 ‘London’ 或者 ‘Oxford’ 的行才会出现这种情况。
我们来看看两条特定的数据：
>>> df.loc[4157862]
Place of Publication Newcastle-upon-Tyne
Date of Publication 1867
Publisher T. Fordyce
Title Local Records; or, Historical Register of rema...
Author T. Fordyce
Flickr URL http://www.flickr.com/photos/britishlibrary/ta...
Name: 4157862, dtype: object
>>> df.loc[4159587]
Place of Publication Newcastle upon Tyne
Date of Publication 1834
Publisher Mackenzie & Dent
Title An historical, topographical and descriptive v...
Author E. (Eneas) Mackenzie
Flickr URL http://www.flickr.com/photos/britishlibrary/ta...
Name: 4159587, dtype: object
这两本书在用一个地方出版，但是一个地名中间包含连字符，另一个没有。
想要一次性清理这一列，我们可以用 str.contains() 来获得一个布尔掩码。
我们按如下方式清理此列：
>>> pub = df['Place of Publication']
>>> london = pub.str.contains('London')
>>> london[:5]
Identifier
206 True
216 True
218 True
472 True
480 True
Name: Place of Publication, dtype: bool
>>> oxford = pub.str.contains('Oxford')
np.where
结合：
df['Place of Publication'] = np.where(london, 'London',
np.where(oxford, 'Oxford',
pub.str.replace('-', ' ')))
>>> df['Place of Publication'].head()
Identifier
206 London
216 London
218 London
472 London
480 London
Name: Place of Publication, dtype: object
这里，np.where 函数在嵌套结果中被调用，condition 是从 str.contains() 返回的布尔值的 Series 对象。contains() 方法类似原生 Python 中内置的 in 关键字，它被用来查找一个迭代器中某个实体是否出现（或者字符串中是否有某子字符串）。
替换的是我们想要的出版地点的字符串。我们也用 str.replace() 方法将连字符替换成了空格然后重新赋值给 DataFrame 的列。
虽然这个数据集中还有很多脏数据，我们现在只讨论这两列。
让我们来重新看看前五项，看起来比最开始的时候清晰多了：
>>> df.head()
Place of Publication Date of Publication Publisher \
206 London 1879 S. Tinsley & Co.
216 London 1868 Virtue & Co.
218 London 1869 Bradbury, Evans & Co.
472 London 1851 James Darling
480 London 1857 Wertheim & Macintosh
Title Author \
206 Walter Forbes. [A novel.] By A. A AA
216 All for Greed. [A novel. The dedication signed... A. A A.
218 Love the Avenger. By the author of “All for Gr... A. A A.
472 Welsh Sketches, chiefly ecclesiastical, to the... E. S A.
480 [The World in which I live, and my place in it... E. S A.
Flickr URL
206 http://www.flickr.com/photos/britishlibrary/ta...
216 http://www.flickr.com/photos/britishlibrary/ta...
218 http://www.flickr.com/photos/britishlibrary/ta...
472 http://www.flickr.com/photos/britishlibrary/ta...
480 http://www.flickr.com/photos/britishlibrary/ta...
注意：到这里，Place of Publication 会是一个很好转化为 Categorical dtype 的列，因为我们可以用整数对比较小的唯一的城市进行编码。（分类数据类型的内存使用量与类别数目加上数据长度成正比，dtype 对象的大小是一个常数乘以数据长度。）
使用 applymap 函数清理整个数据集
在某些情况下，你会发现不仅是某一列里有脏数据，而是分散在整个数据集。
有时如果可以对 DataFrame 里的每个单元或元素都应用一个自定义函数会很有帮助。Pandas 的 .applymap() 函数类似内置的 map() 函数，只是它将应用于 DataFrame 中的所有元素。
让我们来看个例子，我们将从 “university_towns.txt” 文件中创建 DataFrame。
$ head Datasets/univerisity_towns.txt
Alabama[edit]
Auburn (Auburn University)[1]
Florence (University of North Alabama)
Jacksonville (Jacksonville State University)[2]
Livingston (University of West Alabama)[2]
Montevallo (University of Montevallo)[2]
Troy (Troy University)[2]
Tuscaloosa (University of Alabama, Stillman College, Shelton State)[3][4]
Tuskegee (Tuskegee University)[5]
Alaska[edit]我们发现州名后面跟着大学城的名字这样周期性出现：StateA TownA1 TownA2 StateB TownB1 TownB2…，如果我们在文件中查看州名的写法，会发现所有都有一个 “[edit]” 子字符串。
我们可以利用这个模式创建一个 (state, city) 元组列表，并将它放入 DataFrame。
>>> university_towns = []
>>> with open('Datasets/university_towns.txt') as file:
... for line in file:
... if '[edit]' in line:
... # Remember this `state` until the next is found
... state = line
... else:
... # Otherwise, we have a city; keep `state` as last-seen
... university_towns.append((state, line))
>>> university_towns[:5]
[('Alabama[edit]\n', 'Auburn (Auburn University)[1]\n'),
('Alabama[edit]\n', 'Florence (University of North Alabama)\n'),
('Alabama[edit]\n', 'Jacksonville (Jacksonville State University)[2]\n'),
('Alabama[edit]\n', 'Livingston (University of West Alabama)[2]\n'),
('Alabama[edit]\n', 'Montevallo (University of Montevallo)[2]\n')]
我们可以将这个列表包入 DataFrame 中，并将列起名为 “State” 和 “RegionName”。Pandas 会获取每个列表中的元素，将左边的值放入 State 列，右边的值放入 RegionName 列。
生成的 DataFrame 如下：
>>> towns_df = pd.DataFrame(university_towns,
... columns=['State', 'RegionName'])
>>> towns_df.head()
State RegionName
0 Alabama[edit]\n Auburn (Auburn University)[1]\n
1 Alabama[edit]\n Florence (University of North Alabama)\n
2 Alabama[edit]\n Jacksonville (Jacksonville State University)[2]\n
3 Alabama[edit]\n Livingston (University of West Alabama)[2]\n
4 Alabama[edit]\n Montevallo (University of Montevallo)[2]\n
尽管我们可以使用 for 循环来清理上面的字符串，但是使用 Pandas 会更加方便。我们只需要州名和城镇名字，其他都可以删除。虽然这里也可以再次使用 .str() 方法，但我们也可以使用 applymap() 方法将一个 Python 可调用方法映射到 DataFrame 的每个元素上。
我们一直在使用元素这个术语，但实际上到底是指什么呢？看一下以下这个 DataFrame 例子：
0 1
0 Mock Dataset
1 Python Pandas
2 Real Python
3 NumPy Clean
applumap()
方法将函数作用于每个元素上。假设定义函数为：
>>> def get_citystate(item):
... if ' (' in item:
... return item[:item.find(' (')]
... elif '[' in item:
... return item[:item.find('[')]
... else:
... return item
.applymap()
只接受一个参数，也就是将会作用于每个元素上的函数（可调用）：
>>> towns_df = towns_df.applymap(get_citystate)
首先，我们定义一个 Python 函数，它以 DataFrame 中的元素作为参数。在函数内部，执行元素是否包含 ( 或 [ 的检查。
函数返回的值取决于这个检查。最后，applymap() 函数在我们的 DataFrame 对象上被调用。现在我们的 DataFrame 对象更加简洁了。
>>> towns_df.head()
State RegionName
0 Alabama Auburn
1 Alabama Florence
2 Alabama Jacksonville
3 Alabama Livingston
4 Alabama Montevallo
applymap() 方法从 DataFrame 中获取每个元素，将它传递给函数，然后将原来的值替换为函数返回的值。就是这么简单！
技术细节：虽然它是一个方便多功能的方法，但 .applymap() 对于较大的数据集会有明显的运行时间，因为它将可调用的 Python 函数映射到每个单独元素。某些情况下，使用 Cython 或者 NumPy （调用 C 语言）里的矢量化操作更高效。
列的重命名以及跳过行
通常，需要处理的数据集可能包含不易理解的列名，或者某些包含不重要信息的行，它们可能是最前面的有关术语定义的几行，或者最末尾的脚注。
在这种情况下，我们希望重命名列以及跳过某些行，以便我们可以只对必要的信息以及有意义的标签进行深入分析。
为了说明我们如何做到这一点，我们先来看一看 “olympics.csv” 数据集的前五行：
$ head -n 5 Datasets/olympics.csv
0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15
,? Summer,01 !,02 !,03 !,Total,? Winter,01 !,02 !,03 !,Total,? Games,01 !,02 !,03 !,Combined total
Afghanistan (AFG),13,0,0,2,2,0,0,0,0,0,13,0,0,2,2
Algeria (ALG),12,5,2,8,15,3,0,0,0,0,15,5,2,8,15
Argentina (ARG),23,18,24,28,70,18,0,0,0,0,41,18,24,28,70
>>> olympics_df = pd.read_csv('Datasets/olympics.csv')
>>> olympics_df.head()
0 1 2 3 4 5 6 7 8 \
0 NaN ? Summer 01 ! 02 ! 03 ! Total ? Winter 01 ! 02 !
1 Afghanistan (AFG) 13 0 0 2 2 0 0 0
2 Algeria (ALG) 12 5 2 8 15 3 0 0
3 Argentina (ARG) 23 18 24 28 70 18 0 0
4 Armenia (ARM) 5 1 2 9 12 6 0 0
9 10 11 12 13 14 15
0 03 ! Total ? Games 01 ! 02 ! 03 ! Combined total
1 0 0 13 0 0 2 2
2 0 0 15 5 2 8 15
3 0 0 41 18 24 28 70
4 0 0 11 1 2 9 12
这确实很凌乱！列是从 0 开始索引的字符串形式的数字。应该是头部的行（也就是应该设置为列名的行）位于 olympics_df.iloc[0]。发生这种情况是因为我们的 csv 文件是以 0、1、2…15 开头的。
另外，如果我们去查看数据集的来源，会发现 NaN 应该是类似 “Country”，?Summer 应该代表的是 “Summer Games”，而 01! 应该是 “Gold” 等等。
所以，我们需要做以下两件事：
- 跳过一行，将第一行（索引为 0）设置为 header
- 重命名这些列
我们可以在读取 CSV 文件时通过传递一些参数给 read_csv() 函数来跳过某行并设置 header。
这个函数有很多可选的参数，但这个情况里，我们只需要一个参数（header）来移除第 0 行：
>>> olympics_df = pd.read_csv('Datasets/olympics.csv', header=1)
>>> olympics_df.head()
Unnamed: 0 ? Summer 01 ! 02 ! 03 ! Total ? Winter \
0 Afghanistan (AFG) 13 0 0 2 2 0
1 Algeria (ALG) 12 5 2 8 15 3
2 Argentina (ARG) 23 18 24 28 70 18
3 Armenia (ARM) 5 1 2 9 12 6
4 Australasia (ANZ) [ANZ] 2 3 4 5 12 0
01 !.1 02 !.1 03 !.1 Total.1 ? Games 01 !.2 02 !.2 03 !.2 \
0 0 0 0 0 13 0 0 2
1 0 0 0 0 15 5 2 8
2 0 0 0 0 41 18 24 28
3 0 0 0 0 11 1 2 9
4 0 0 0 0 2 3 4 5
Combined total
0 2
1 15
2 70
3 12
4 12
我们现在已经有了正确的 header 行，以及移除了所有不必要的行。注意 Pandas 将包含国家名字的列的名字从 NaN 变成了 Unnames:0。
要重命名列，我们将利用 rename() 方法，这个方法允许你基于一个映射（本例中，指字典）来重新标记轴的名字。
让我们从定义一个新的字典开始，它将现在的列的名字作为 key，映射到可用性更强的名字（字典值）。
>>> new_names = {'Unnamed: 0': 'Country',
... '? Summer': 'Summer Olympics',
... '01 !': 'Gold',
... '02 !': 'Silver',
... '03 !': 'Bronze',
... '? Winter': 'Winter Olympics',
... '01 !.1': 'Gold.1',
... '02 !.1': 'Silver.1',
... '03 !.1': 'Bronze.1',
... '? Games': '# Games',
... '01 !.2': 'Gold.2',
... '02 !.2': 'Silver.2',
... '03 !.2': 'Bronze.2'}
rename()
函数：
>>> olympics_df.rename(columns=new_names, inplace=True)
inplace
参数设置为
True
可以将变化直接作用于我们的
DataFrame
对象上。让我们看看是否生效：
>>> olympics_df.head()
Country Summer Olympics Gold Silver Bronze Total \
0 Afghanistan (AFG) 13 0 0 2 2
1 Algeria (ALG) 12 5 2 8 15
2 Argentina (ARG) 23 18 24 28 70
3 Armenia (ARM) 5 1 2 9 12
4 Australasia (ANZ) [ANZ] 2 3 4 5 12
Winter Olympics Gold.1 Silver.1 Bronze.1 Total.1 # Games Gold.2 \
0 0 0 0 0 0 13 0
1 3 0 0 0 0 15 5
2 18 0 0 0 0 41 18
3 6 0 0 0 0 11 1
4 0 0 0 0 0 2 3
Silver.2 Bronze.2 Combined total
0 0 2 2
1 2 8 15
2 24 28 70
3 2 9 12
4 4 5 12
Python 数据清理：回顾以及其他资源
在本教程中，你学习了如何使用 drop() 函数删除不必要的信息，以及如何给你的数据集设置索引以便更加方便的引用其他的项。
此外，你也学习了如何使用 .str() 清理对象字段，以及如何使用 applymap() 函数清理整个数据集。最后，我们探索了一下如何跳过 CSV 文件中某些列以及使用 rename() 方法重命名列。
了解数据清理非常重要，因为这是数据科学很重要的一部分。你现在已经对如何使用 Pandas 以及 NumPy 清理数据集有了基本的了解。
查看以下链接可以帮你找到更多的资源继续你的 Python 数据科学之旅：
- Pandas 文档
- NumPy 文档
- Python 数据分析 由 Pandas 的创造者 Wes McKinney 撰写
- Pandas Cookbook 由数据科学教练和顾问 Ted Petrou 撰写
扫一扫
305
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
