python数据分析之pandas数据预处理（数据合并与数据提取、loc、iloc、ix函数详解）

一、准备工作

导入库+创建数据表

import numpy as np
import pandas as pd
#数据预处理与数据提取

#创建数据表1
df1 = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006], 
 "date":pd.date_range('20220102', periods=6),
  "city":['Beijing ', 'Hangzhou', 'Shanghai', 'Beijing', 'Shanghai', 'Shanghai'],
 "age":[31,27,25,27,29,28],
 "category":['100-B','100-B','110-A','110-C','210-C','130-F'],
  "price":[1000,np.nan,2300,5400,np.nan,3330]},
  columns =['id','date','city','category','age','price'])
  
#创建数据字典
col={'id':[1001,1002,1003,1004,1005,1006,1007,1008,1009],
    'gender':['F','M','F','F','M','M','M','F','F'],
    'name':['Jane','Wan','Summer','Flore','Wang','Chung','Dev','Linda','Lucy',],
    'salary':[3000,5500,3500,4600,4500,6000,3800,6500,3500]}
#创建数据表2
df2 = pd.DataFrame(col,
                columns =['id','gender','name','salary'])

二、数据合并

1、merge数据表连接

类似SQL中的join on，内连接、左连接、右连接、外连接

#数据表合并
df_inner=pd.merge(df1,df2,how='inner')  # 匹配合并，交集
df_left=pd.merge(df1,df2,how='left')     
df_right=pd.merge(df1,df2,how='right')
df_outer=pd.merge(df1,df2,how='outer')  #并集

print(df_inner)
print(df_left)
print(df_right)
print(df_outer)

内连接结果：

2、添加数据

1）append追加
两个表上下进行连接，不匹配的字段则将值设置为NaN

#添加数据，相当于union，和全连接full join
# df_addtion = df1.append(df2)  #把df2添加到df1后面
# print(df_addtion)

2）concat连接
一中简单纵向连接，可以用于不同行不同列，表之间或者列之间

#df1和df2两个表进行连接：与append追加的结果一样
df_concat = pd.concat([df1,df2], axis=0, join='outer', ignore_index=False,
            keys=None, levels=None, names=None, verify_integrity=False,
            sort=False, copy=True)
#df1的id字段与df2的name字段进行连接
df_concat = pd.concat([df1.id,df2.name], axis=0, join='outer', ignore_index=False,
            keys=None, levels=None, names=None, verify_integrity=False,
            sort=False, copy=True)
print(df_concat)

df1的id字段与df2的name字段进行连接：

三、数据提取

1、索引列

#设置索引列
df1.set_index('id')  #把id列设置为索引列

#按索引提取单行的数值
df_inner.loc[5]  #提取“索引值”为5的那一行数据，也就是第6行

#按索引提取区域行数值
df_inner.iloc[0:3]  #用切片提取前3行

#重设索引
df_inner.reset_index()  #再设置一条索引

2、loc函数（⭐）

利用切片原理，使用loc函数进行切片操作时只能使用行名或者列名，也就是索引（行名）和字符串（列名）。
1）索引操作

df_inner.loc[:4]  #因为是索引名，所以这里是取0到4的所有列
df_inner.loc[2:4]  #2到4的所有列

2）索引+列名操作

df_inner.loc[2:4,'age':'name']  #2到4的age到name列
df_inner.loc[:5,"city":"salary"]

3）特殊索引名操作
索引是默认的01234，而不是date，但是这里仍然可以选取到数据，导致索引模糊不清因此这种方法不常用，常用的是明确的索引定位。

df_inner.loc['2022-01-02':]  #提取2022年1月2日以后的所有行
df_inner.loc[:'2022-01-05']  #提取2022年1月5日之前的所有数据

4）特殊索引+列名操作

df_inner.loc['2022-01-02':,'age':'name']  #提取2022年1月2日后的age到name列
df_inner.loc[:'2022-01-05',:]  #提取2022年1月5日前的所有列

5）自定义索引+自定义列名

#将索引定义为id，并且因为下面还需要用到替换后的表，因此选择替换源数据
df_inner.set_index('id',inplace=True)  
#把列名city替换为城市
df_inner.rename(columns={'city':'城市'},inplace=True)

提取id为1002-1005的’城市‘列到’name‘列信息：

#尝试：
df_inner.loc[1002:1005]  #id为1002-1005的信息
df_inner.loc[:,'城市':'name']  #城市‘列到’name‘列信息

#实现：id为1002-1005的’城市‘列到’name‘列信息
df_inner.loc[1002:1005,'城市':'name']

3、ix函数

1）ix出现问题：AttributeError: ‘DataFrame’ object has no attribute ‘ix’

2）解决思路：
s.ix[:3]返回的结果与s.loc[:3]一样，这是因为如果series的索引是整型的话，ix会首先去寻找索引中的标签3而不是去找位置3，因此造成了一些混乱

3）解决方法：pandas的1.0.0版本后，已经对该函数进行了升级和重构。
只需要将
column01 = dataset.ix[:, 'first']
改为
column01 = dataset.loc[:,'first']

也就是将ix函数名改为loc即可。

4、iloc函数

1）iloc函数则和loc函数相反，只能使用默认的数字索引，不能使用自定义的行列名字索引

#使用iloc按位置区域提取数据
df_inner.iloc[:4,:5]  #从0开始，前四行，前五列
df_inner.iloc[1:3,2:]  #从1到3行，第2列以后的所有列

注意：冒号前后的数字不再是索引的标签名称，而是数据所在的位置.

2）按位置单独提取数据（间隔提取）

df_inner.iloc[[0,2,5],[4,5]]   #提取第0、2、4行，4、5列

5、排序

#按照索引列排序
 df1.sort_index(ascending=False)  #ascending为False表示降序，默认升序
 
#按照特定列值排序
df2.sort_values(by='salary',ascending=False)  #按照salary工资从高到低排序

.

6、特定标记

相当于SQL中的CASE WHEN

#单条件标记：工资大于3000为high，低于3000为low
df_inner['level'] = np.where(df_inner['salary'] > 3000,'high','low')  #df_inner是两表进行内连接的结果
print(df_inner)

#多条件分组标记：city为上海，工资大于4000等级为1
df_inner.loc[(df_inner['city'] == 'Shanghai') & (df_inner['salary'] >= 4000), 'level']=1
print(df_inner)

7、分列

将category字段的值依次进行分列，
并创建2个新列组成新表，
索引值为df_inner的id，
列名称分别为category和size

pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.id, columns=['category','size'])

8、提取字符生成新表

提取前三个字符，并生成数据表

df3=pd.DataFrame(df_inner['name'].str[:3])
df3.set_index('name')
print(df3)

9、isin条件提取

#判断city列的值是否为北京
df_inner['city'].isin(['Shanghai'])

#判断city列里是否包含Beijing和Shanghai，然后将符合条件的数据提取出来
df_inner.loc[df_inner['city'].isin(['Beijing','Shanghai'])]