处理缺失数据
string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
string_data
string_data.isnull() #判断每个值是不是缺失值
string_data[0] = None
string_data.isnull()
滤除缺失数据
from numpy import nan as NA
data = pd.Series([1, NA, 3.5, NA, 7])
data.dropna() #丢弃含有缺失值的行
data[data.notnull()]
#第一种方法是主流
data = pd.DataFrame([[1., 6.5, 3.], [1., NA, NA],
[NA, NA, NA], [NA, 6.5, 3.]])
cleaned = data.dropna() #丢弃所有含有缺失值的行
data
cleaned
data.dropna(how='all') #丢弃全为NA的行,用这种方法丢弃列只需输入参数axis=1
data[4] = NA #增加一个名为4的列
data
data.dropna(axis=1, how='all')
df = pd.DataFrame(np.random.randn(7, 3))
df.iloc[:4, 1] = NA
df.iloc[:2, 2] = NA
df
df.dropna() #滤除所有带缺失值德行
df.dropna(thresh=2) #滤除带缺失值的前两行
填充缺失数据
对于大多数情况来说fillna是最好的方法
df.fillna(0) #所有缺失值都换成0
df.fillna({1: 0.5, 2: 0}) #列1的缺失值换成0.5,列2的缺失值换成0
_ = df.fillna(0, inplace=True) #添加参数inplace对现有对象就地修改,不产生新对象
df
#对reindexing有效的插值方法也可以用于fillna
df = pd.DataFrame(np.random.randn(6, 3))
df.iloc[2:, 1] = NA
df.iloc[4:, 2] = NA
df
df.fillna(method='ffill') #缺失值出插值与上一行一样的数
df.fillna(method='ffill', limit=2) #对于有缺失值的行,只插值前两行
data = pd.Series([1., NA, 3.5, NA, 7])
data.fillna(data.mean()) #缺失值处传入Series的平均值
7.2数据转换
7.2.1移除重复数据
data = pd.DataFrame({'k1': ['one', 'two'] * 3 + ['two'],
'k2': [1, 1, 2, 3, 3, 4, 4]})
data
data.duplicated() #判断各行是不是重复行,返回的是布尔型的Series格式
data.drop_duplicates() #返回一个DataFrame,并且只输出非重复行
data['v1'] = range(7) #增加名为V1的列
data.drop_duplicates(['k1']) #输出K1列不重复的所在的行
data.drop_duplicates(['k1', 'k2'], keep='last') #duplicated和drop_duplicates默认保留的是第⼀个出现的值组合。传⼊keep='last'则保留最后⼀个。
7.2.2利用函数或映射进行数据转换
data = pd.DataFrame({'food': ['bacon', 'pulled pork', 'bacon',
'Pastrami', 'corned beef', 'Bacon',
'pastrami', 'honey ham', 'nova lox'],
'ounces': [4, 3, 12, 6, 7.5, 8, 3, 5, 6]})
data
meat_to_animal = {
'bacon': 'pig',
'pulled pork': 'pig',
'pastrami': 'cow',
'corned beef': 'cow',
'honey ham': 'pig',
'nova lox': 'salmon'
}
#Series的map⽅法可以接受⼀个函数或含有映射关系的字典型对象,但是这⾥有⼀个⼩问题,即有些⾁类的⾸字⺟⼤写了,⽽另⼀些则没有。因此,我们还需要使⽤Series的str.lower⽅法,将各个值转换为⼩写
lowercased = data['food'].str.lower() #得到上面DataFrame中的列‘food',并且格式是Series,然后把首字母变成小写
lowercased
data['animal'] = lowercased.map(meat_to_animal)
data
data['food'].map(lambda x: meat_to_animal[x.lower()])
7.2.3替换值
data = pd.Series([1., -999., 2., -999., -1000., 3.])
data
data.replace(-999, np.nan) #把-999替换为缺失值NA
data.replace([-999, -1000], np.nan) #把-999和-1000替换为缺失值NA
data.replace([-999, -1000], [np.nan, 0]) #把-999替换为缺失值NA,把-1000替换为0
data.replace({-999: np.nan, -1000: 0}) #和上一个效果一样,只是写为了字典的形式
data.replace⽅法与data.str.replace不同,后者做的是字符串的元素级替换
7.2.4重命名轴索引
data = pd.DataFrame(np.arange(12).reshape((3, 4)),
index=['Ohio', 'Colorado', 'New York'],
columns=['one', 'two', 'three', 'four'])
transform = lambda x: x[:4].upper()
data.index.map(transform)
data.index = data.index.map(transform) #换index
data
data.rename(index=str.title, columns=str.upper) #创建新的,不修改原始数据
data.rename(index={'OHIO': 'INDIANA'},
columns={'three': 'peekaboo'}) #结合字典,修改部分轴标签
data.rename(index={'OHIO': 'INDIANA'}, inplace=True) #加入Inplace=True参数,就可以就地修改数据
data
7.2.5离散化和面元划分
为了便于分析,连续数据常常被离散化或拆分为“⾯元”(bin)
ages = [20, 22, 25, 27, 21, 23, 37, 31, 61, 45, 41, 32]
bins = [18, 25, 35, 60, 100]
cats = pd.cut(ages, bins)
cats
#将数据划分为“18到25”、 “26到35”、 “35到60”以及“60以上”⼏个⾯元。
pd.value_counts(cats) #pandas.cut结果的面元计数
pd.cut(ages, [18, 26, 36, 61, 100], right=False) #添加参数right,变成左闭右开
group_names = ['Youth', 'YoungAdult', 'MiddleAged', 'Senior']
pd.cut(ages, bins, labels=group_names) #labels参数为面元设置名称
data = np.random.rand(20)
pd.cut(data, 4, precision=2) # 4表示面元的数量,参数precision=2表示保留小数点后两位
qcut是⼀个⾮常类似于cut的函数,它可以根据样本分位数对数据
进⾏⾯元划分。根据数据的分布情况, cut可能⽆法使各个⾯元
中含有相同数量的数据点。⽽qcut由于使⽤的是样本分位数,因
此可以得到⼤⼩基本相等的⾯元。
data = np.random.randn(1000) # Normally distributed
cats = pd.qcut(data, 4) # Cut into quartiles
cats
pd.value_counts(cats)
pd.qcut(data, [0, 0.1, 0.5, 0.9, 1.]) #传入了自定义的分位数
7.2.6检验和过滤异常值
data = pd.DataFrame(np.random.randn(1000, 4))
data.describe() #描述性统计
col = data[2]
col[np.abs(col) > 3]
#得到列2中绝对值大于3的值
data[(np.abs(data) > 3).any(1)] #选出含有绝对值大于3的数的行
data[np.abs(data) > 3] = np.sign(data) * 3 #将值限制在-3到3之间
data.describe()
np.sign(data).head() #根据数值的正负,可以生成1或-1
7.2.7排列和随机采样
利⽤numpy.random.permutation函数可以轻松实现对Series或DataFrame的列的排列⼯作
df = pd.DataFrame(np.arange(5 * 4).reshape((5, 4)))
sampler = np.random.permutation(5) #随机排0到4五个数,得到的是一个数组
sampler
df
df.take(sampler) #按上面得到的顺序重拍DataFrame的index行
df.sample(n=3) #不可重复的抽取3行
choices = pd.Series([5, 7, -1, 6, 4])
draws = choices.sample(n=10, replace=True) #添加参数replace,变成可重复抽样·
draws
7.2.8计算指标/哑变量
⼀种常⽤于统计建模或机器学习的转换⽅式是:将分类变量(categorical variable)转换为“哑变量”或“指标矩阵”。如果DataFrame的某⼀列中含有k个不同的值,则可以派⽣出⼀个k列矩阵或DataFrame(其值全为1和0)。 pandas有⼀个get_dummies函数可以实现该功能。
df = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],
'data1': range(6)})
pd.get_dummies(df['key']) #每一个值对应的列的值变为1,其他列为0
有时候,你可能想给指标DataFrame的列加上⼀个前缀,以便能
够跟其他数据进⾏合并。 get_dummies的prefix参数可以实现该
功能:
dummies = pd.get_dummies(df['key'], prefix='key') #参数prefix给列名添加前缀
df_with_dummy = df[['data1']].join(dummies) #.join用于和其他数据合并,多增加几列
df_with_dummy
mnames = ['movie_id', 'title', 'genres']
movies = pd.read_table('datasets/movielens/movies.dat', sep='::',
header=None, names=mnames)
movies[:10]
all_genres = []
for x in movies.genres:
all_genres.extend(x.split('|'))
genres = pd.unique(all_genres)
genres
#提取generes中所有不同的值
zero_matrix = np.zeros((len(movies), len(genres)))
dummies = pd.DataFrame(zero_matrix, columns=genres)
gen = movies.genres[0]
gen.split('|') #这个DataFrame中genres的第一行电影属于的种类有3种
dummies.columns.get_indexer(gen.split('|')) #pd.Index(unique_vals).get_indexer(to_match)
#to_match中各元素在索引数组中的位置
for i, gen in enumerate(movies.genres):
indices = dummies.columns.get_indexer(gen.split('|'))
dummies.iloc[i, indices] = 1
movies_windic = movies.join(dummies.add_prefix('Genre_'))
movies_windic = movies.join(dummies.add_prefix('Genre_'))
movies_windic.iloc[0]
对于很⼤的数据,⽤这种⽅式构建多成员指标变量就会变得⾮常慢。最好使⽤更低级的函数,将其写⼊NumPy数组,然后结果包装在DataFrame中。⼀个对统计应⽤有⽤的秘诀是:结合get_dummies和诸如cut之类的离散化函数:
np.random.seed(12345)
values = np.random.rand(10)
values
bins = [0, 0.2, 0.4, 0.6, 0.8, 1]
pd.get_dummies(pd.cut(values, bins))
7.3字符串操作
⼤部分⽂本运算都直接做成了字符串对象的内置⽅法。对于更为复杂的模式匹配和⽂本操作,则可能需要⽤到正则表达式。 pandas对此进⾏了加强,它使你能够对整组数据应⽤字符串表达式和正则表达式,⽽且能处理烦⼈的缺失数据。
7.3.1字符串现象方法
val = 'a,b, guido'
val.split(',') #按逗号切割字符串
pieces = [x.strip() for x in val.split(',')] #x.strip去除两边的空格
pieces
'::'.join(pieces) #把::加到每两个字符之间
'guido' in val
val.index(',') #逗号第一次出现的位置,如果不存在则返回错误
val.find(':') # :不存在,返回-1,这点也与index不同
val.index(':') # 返回错误
val.count(',') #统计逗号出现的次数
val.replace(',', '::') #用::代替逗号
val.replace(',', '')
7.3.2正则表达式
正则表达式提供了⼀种灵活的在⽂本中搜索或匹配(通常⽐前者
复杂)字符串模式的⽅式。re模块的函数可以分为三个⼤类:模式匹配、替换以及拆分。
import re
text = "foo bar\t baz \tqux"
re.split('\s+', text) #分隔符为数量不定的⼀组空⽩符(制表符、空格、换⾏符等)。描述⼀个或多个空⽩符的regex是\s+:
regex = re.compile('\s+')
regex.split(text)
#⽤re.compile⾃⼰编译regex以得到⼀个可重⽤的regex对象也是可以的,并且如果打算对许多字符串应⽤同⼀条正则表达式,强烈建议通过
re.compile创建regex对象。这样将可以节省⼤量的CPU时间。
7.3.3pandas的矢量化字符串函数
清理待分析的散乱数据时,常常需要做⼀些字符串规整化⼯作。更为复杂的情况是,含有字符串的列有时还含有缺失数据。
data = {'Dave': 'dave@google.com', 'Steve': 'steve@gmail.com',
'Rob': 'rob@gmail.com', 'Wes': np.nan}
data = pd.Series(data)
data
data.isnull() #判断哪个值是缺失值
data.str.contains('gmail') #用str.comtains方法判断每个值是否含有gmail