Pandas-数据整理

Pandas包对数据的常用整理功能，相当于数据预处理（不包括特征工程）

目录

• 丢弃值
  1. drop()
• 缺失值处理
  1. isnull() & notnull()
  2. dropna()
  3. fillna()　　
• 值替换
  1. replace()
  2. get_dummies()　
• 重复值处理
  1. duplicated()
  2. is_unique()
  3. unique()
  4. drop_duplicated()
• 排序&排名
  1. sort_index()
  2. rank()　　
• 索引设置
  1. reindex()
  2. set_index()
  3. reset_index()
  4. stack() & unstack()
• 修改列名

 

---

 

丢弃值

• drop()
  • 一般用于丢弃DataFrame里的列columns，但切片功能效果相同，根据实际使用，好处是节约内存
    

• # 按列（axis=1），丢弃指定label的列
  df.drop(labels, axis=1)

 

缺失值处理

• isnull() & notnull() 判断空值

  df.isnull()
  s.isnull()
  s.isnull().value_counts()

• dropna() 丢弃缺失值
  

  # 默认axi=0，how=‘any’，按行，任意一行有NaN就整列丢弃
  df.dropna()
  df.dropna(axis=1)
  # 一行中全部为NaN的，才丢弃
  df.driopna(how='all')
  # 保留至少3个非空值的行：一行中有3个值是非空的就保留
  df.dropna(thresh=3)

  
• fillna() 缺失值填充

  df.fillna(0)

   

值替换

• replace()
  

  # 将df的A列中 -999 全部替换成空值
  df["A"].replace(-999, np.nan)
  
  #-999和1000 均替换成空值
  obj.replace([-999,1000],  np.nan)
  
  # -999替换成空值，1000替换成0
  obj.replace([-999,1000],  [np.nan, 0])
  
  # 同上，写法不同，更清晰
  obj.replace({-999:np.nan, 1000:0})

  

   

重复值处理

• duplicated()

  # 返回布尔向量、矩阵
  s.duplicated()
  df.duplicated()

• unique()

  # 返回唯一值的数组
  df["A"].unique()

• drop_duplictad()

  # 保留k1列中的唯一值的行，默认保留第一行
  df.drop_duplicated(["k1"])
  
  # 保留 k1和k2 组合的唯一值的行，take_last=True 保留最后一行
  df.drop_duplicated(["k1","k2"], take_last=True)

 

排序&排名

• sort_index()
  • 索引排序

    # 默认axis=0，对行进行排序；ascending=True，升序排序
    s.sort_index()
    df.sort_index()
    
    # 对列进行排序，ascending=False 降序
    df.sort_index(axis=1, ascending=False)

• • 值排序
    

    # 按值对Series进行排序，使用order()，默认空值会置于尾部
    s = pd.Series([4, 6, np.nan, 2, np.nan])
    s.order()
    
    # DataFrame可根据一个或多个值进行排序
    df.sort_index(by="A")
    df.sort_index(by=["A","B"])

    

• rank()

 

索引设置

• reindex()
  • 更新index或者columns，
  • 默认：更新index，返回一个新的DataFrame
• 

  # 返回一个新的DataFrame，更新index，原来的index会被替代消失
  # 如果某个索引值不存在，会自动补上NaN
  df2 = df1.reindex(['a','b','c','d','e'])
  
  # fill_valuse为原先不存在的索引补上默认值，不在是NaN
  df2 = df1.reindex(['a','b','c','d','e'],  fill_value=0)
  
  # inplace=Ture，在DataFrame上修改数据，而不是返回一个新的DataFrame
  df1.reindex(['a','b','c','d','e'],  inplace=Ture)
  
  # reindex不止可以修改 索引(行)，也可以修改列
  states = ["Texas","Utah","California"]
  df2 = df1.reindex( columns=states )

  
• set_index()
  • 将DataFrame中的列columns设置成索引index、
  • 打造层次化索引的方法
• 

  # 将columns中的其中两列：race和sex设置索引，race为一级，sex为二级
  # inplace=True 在原数据集上修改的
  adult.set_index(['race','sex'], inplace = True) 
  
  # 默认情况下，设置成索引的列会从DataFrame中移除
  # drop=False将其保留下来
  adult.set_index(['race','sex'], inplace = True) 

  
• reset_index()
  • 将使用set_index()打造的层次化逆向操作
  • 既是取消层次化索引，将索引变回列，并补上最常规的数字索引

• adult.reset_index()

 

修改列名

df.rename(columns = {'库存数量':'12月20日库存数量'},inplace=True)