来自公众号:凹凸数据
今天我们重新盘点66个Pandas函数合集,包括数据预览、数值数据操作、文本数据操作、行/列操作等等,涉及“数据清洗”的方方面面。
Pandas 是基于NumPy的一种工具,该工具是为解决数据分析任务而创建的。它提供了大量能使我们快速便捷地处理数据的函数和方法。
数据预览
对于探索性数据分析来说,做数据分析前需要先看一下数据的总体概况。info()
方法用来查看数据集信息,describe()
方法将返回描述性统计信息,这两个函数大家应该都很熟悉了。
describe方法默认只给出数值型变量的常用统计量,要想对DataFrame中的每个变量进行汇总统计,可以将其中的参数include设为all。
head()
方法和tail()
方法则是分别显示数据集的前n和后n行数据。如果想要随机看N行的数据,可以使用sample()
方法。
df.sample(3)
输出:
![2994c608154036dcd1d41227a2ba215b.png](https://i-blog.csdnimg.cn/blog_migrate/a1daaf6f18c18ff56b467ef72eb660d7.png)
如果要检查数据中各列的数据类型,可以使用.dtypes
;如果想要值查看所有的列名,可以使用.columns
。
df.columns
输出:
Index(['日期', '销量'], dtype='object')
前面介绍的函数主要是读取数据集的数据信息,想要获得数据集的大小(长宽),可以使用.shape
方法。
df.shape
输出:
(5, 2)
另外,len()
可以查看某列的行数,count()
则可以查看该列值的有效个数,不包含无效值(Nan)。
缺失值与重复值
Pandas清洗数据时,判断缺失值一般采用isnull()
方法。此外,isnull().any()
会判断哪些”列”存在缺失值,isnull().sum()
用于将列中为空的个数统计出来。
df.isnull().any()
输出:
日期 False
销量 True
dtype: bool
发现“销量”这列存在缺失值后,处理办法要么删除dropna()
,要么填充fillna()
。
df.fillna(50)
输出:
![7bc58855b49c70031ef6c9fca5d69ccf.png](https://i-blog.csdnimg.cn/blog_migrate/3ff945015dbd9c6652864196d7811548.png)
Pandas清洗数据时,判断重复值一般采用duplicated()
方法。如果想要直接删除重复值,可以使用drop_duplicates()
方法。此处较为常见,不再过多演示。
数值数据操作
我们在处理数据的时候,会遇到批量替换的情况,replace()
是很好的解决方法。它既支持替换全部或者某一行,也支持替换指定的某个或指定的多个数值(用字典的形式),还可以使用正则表达式替换。
df["编号"].replace(r'BA.$', value='NEW', regex=True, inplace = True)
输出:
![6171eb7ac0211748895534051365bdeb.png](https://i-blog.csdnimg.cn/blog_migrate/abcac18d01d40a2e01194d853a9a24cb.png)
在Pandas模块中, 调⽤rank()
⽅法可以实现数据排名。
df["排名"] = df.rank(method="dense").astype("int")
输出:
![bb50e318560769bb77da0675e3e17bdc.png](https://i-blog.csdnimg.cn/blog_migrate/c66fce72bb12aaec0c3709e642c175ca.png)
rank()
⽅法中的method参数,它有5个常⽤选项,可以帮助我们实现不同情况下的排名。
![1ed1b87e31b76e08387cc19a8e77e8c9.png](https://i-blog.csdnimg.cn/blog_migrate/61d2131be1503e107c3cf55584c170d6.png)
clip()
方法,用于对超过或者低于某些数的数值进行截断[1],来保证数值在一定范围。比如每月的迟到天数一定是在0-31天之间。
df["迟到天数"] = df["迟到天数"].clip(0,31)
![6e3ddc854ef6dca9abed03153975a908.png](https://i-blog.csdnimg.cn/blog_migrate/858d22b4fe8a513845455315374790f4.png)
唯一值,unique()
是以数组形式返回列的所有唯一值,而nunique()
返回的是唯一值的个数。
df["gender"].unique()
df["gender"].nunique()
输出:
![cba0e338ecd034a34eb2a9c9ecbe0dd7.png](https://i-blog.csdnimg.cn/blog_migrate/2e35998a631b8ebb188ea23514cb3302.png)
在数值数据操作中,apply()
函数的功能是将一个自定义函数作用于DataFrame的行或者列;applymap()
函数的功能是将自定义函数作用于DataFrame的所有元素。他们通常也与匿名函数lambda一起使用。
df["数量"].apply(lambda x: x+1)
输出:
![a1612f49e10ca64d170c059da2743d7a.png](https://i-blog.csdnimg.cn/blog_migrate/f49a2ff6b2112d7b9d778ae0c5f5c378.png)
文本数据操作
之前我们曾经介绍过经常被人忽视的:Pandas 文本型数据处理。在对文本型的数据进行处理时,我们会大量应用字符串的函数,来实现对一列文本数据进行操作[2]。
函数方法 | 用法释义 |
---|---|
cat | 字符串的拼接 |
contains | 判断某个字符串是否包含给定字符 |
startswith/endswith | 判断某个字符串是否以...开头/结尾 |
get | 获取指定位置的字符串 |
len | 计算字符串长度 |
upper、lower | 英文大小写转换 |
pad/center | 在字符串的左边、右边或左右两边添加给定字符 |
repeat | 重复字符串几次 |
slice_replace | 使用给定的字符串,替换指定的位置的字符 |
split | 分割字符串,将一列扩展为多列 |
strip、rstrip、lstrip | 去除空白符、换行符 |
findall | 利用正则表达式,去字符串中匹配,返回查找结果的列表 |
extract、extractall | 接受正则表达式,抽取匹配的字符串(一定要加上括号) |
举例:
df.insert(2, "姓名",
df["姓"].str.cat(df["名"], sep=""))
输出:
![488d5ed48c503976826bdb4902614973.png](https://i-blog.csdnimg.cn/blog_migrate/4c425dbc99669686af69f04154539cd8.png)
df["手机号码"] = df["手机号码"].str.slice_replace(3,7,"*"*4)
输出:
![a79d8c96c2e0c3059a8e23704b33226c.png](https://i-blog.csdnimg.cn/blog_migrate/69ab9e7ab1712906c923d7bf445811b1.png)
df["地址"].str.extract("([\u4e00-\u9fa5]+)")
输出:
![9d4d49dbf692b99ebdee4765f96caf0e.png](https://i-blog.csdnimg.cn/blog_migrate/7109f82d5274ed542d075c3b35bfebf5.png)
行/列操作
数据清洗时,会将带空值的行删除,此时DataFrame或Series类型的数据不再是连续的索引,可以使用reset_index()
重置索引。
df.reset_index(drop=True)
输出:
![50e9a466d62665bae36f7e7c2bd0bfab.png](https://i-blog.csdnimg.cn/blog_migrate/6b5ad4e960981906409d4dd17d4a4fcc.png)
rename()
重命名用于更改行列的标签,即行列的索引。可以传入一个字典或者一个函数。在数据预处理中,比较常用。
df.rename(columns={'mark': 'sell'}, inplace=True)
输出:
![3ec5556a976175da23cee0f728dae610.png](https://i-blog.csdnimg.cn/blog_migrate/5e15ae589a832fd0072108ec624f4014.png)
行列转置,我们可以使用T属性获得转置后的DataFrame。
df.T
输出:
![42fd6777382b6427ad8e38133ab89d56.png](https://i-blog.csdnimg.cn/blog_migrate/cb5856d1fe823927d23195c05289dd1c.png)
删除行列,可以使用drop()
。
df.drop(columns=["mark"])
输出:
![fe8711c6abe2fe4738b11dc65a353c21.png](https://i-blog.csdnimg.cn/blog_migrate/bbb8a06cdbb3318f87db41abb5ba728f.png)
数据分析师在进行数据处理时经常会遇到长宽表互转的情况,这也是一道常见的数据分析面试题。
melt()
方法可以将宽表转长表,即表格型数据转为树形数据。
df.melt(id_vars="姓名", var_name="科目", value_name="成绩")
输出:
![d041a4d42a9e5ab503fcadfa68b8706f.png](https://i-blog.csdnimg.cn/blog_migrate/82900694a3311293c1862847ea65104f.png)
pivot()
方法可以将长表转宽表,即树形数据转为表格型数据。
df.pivot(index='姓名', columns='科目', values='成绩')
输出:
![5aae038f2c697e4bb7d4c7a3844e2612.png](https://i-blog.csdnimg.cn/blog_migrate/a584dcc0c4dd93d160bc7e9f51bd103d.png)
pivot()
其实就是用 set_index()
创建层次化索引,再用unstack()
重塑
df1.set_index(['姓名','科目']).unstack('科目')
![9ad49f07ee74b88ce9894d4f87b94ade.png](https://i-blog.csdnimg.cn/blog_migrate/e4019ab21b1b32f146c6c3266da9caa7.png)
数据分组与数据透视表更是一个常见的需求,groupby()
方法可以用于数据分组。
df.groupby("科目").mean()
![b3c5341b44b34736f2ebfae2479f719b.png](https://i-blog.csdnimg.cn/blog_migrate/60c8e94462d6904855e950d76b937708.png)
由于pivot_table()
数据透视表的参数比较多,就不再使用案例来演示了,具体用法可参考下图。
![ece5ace2693ec62f34dbc7a9d93b8bb9.png](https://i-blog.csdnimg.cn/blog_migrate/cf2df33b658923102a095f8c835031e9.png)
数据筛选
如果是筛选行列的话,通常有以下几种方法:
有时我们需要按条件选择部分列、部分行,一般常用的方法有:
操作 | 语法 | 返回结果 |
---|---|---|
选择列 | df[col] | Series |
按索引选择行 | df.loc[label] | Series |
按数字索引选择行 | df.iloc[loc] | Series |
使用切片选择行 | df[:5] | DataFrame |
用表达式筛选行[3] | df[bool_vec] | DataFrame |
除此以外,还有很多方法/函数可以用于“数据筛选”。
如果想直接筛选包含特定字符的字符串,可以使用contains()
这个方法。
例如,筛选户籍地址列中包含“黑龙江”这个字符的所有行。
df[df["户籍地址"].str.contains("黑龙江")]
query()
查询方法也可以用来筛选数据,比如查询“语文”成绩大于“数学”成绩的行记录。
df.query("语文 > 英语")
输出:
![270408141611ed651c14bbcc3844afa3.png](https://i-blog.csdnimg.cn/blog_migrate/1f44ed83188e805ba62dbb95d5f7bbc4.png)
select_dtypes()
方法可用于筛选某些数据类型的变量或列。举例,我们仅选择具有数据类型'int64'的列。
df.select_dtypes("int64")
输出:
![3d762efdd81e69937f04b9af31827ea1.png](https://i-blog.csdnimg.cn/blog_migrate/2eb052e28163cad11b11d7d5f0a26628.png)
isin()
接受一个列表,判断该列中元素是否在列表中。
name_list = ["张三", "李四"]
df[df["姓名"].isin(name_list)]
输出:
![3b9045d0afa280ac8cecc00053c2850d.png](https://i-blog.csdnimg.cn/blog_migrate/fce75e694acf9c98d2bc711e2d1193d1.png)
数值数据统计运算
在对数值型的数据进行统计运算时,除了有算术运算、比较预算还有各种常见的汇总统计运行函数,具体如下表所示。
函数方法 | 用法释义 |
---|---|
count | 非NaN数据项计数 |
sum | 求和 |
mean | 平均值 |
median | 中位数 |
mode | 众数 |
max | 最大值 |
min | 最小值 |
std | 标准差 |
var | 方差 |
quantile | 分位数 |
skew | 返回偏态系数 |
kurt | 返回峰态系数 |
举例:
df["语文"].max()
输出:
155
最后,再说一个比较常用的统计运算函数——累加cumsum()
。
df["累计销量"] = df["销量"].cumsum()
输出:
![a25289e4a03e988cf29a1700b14e6139.png](https://i-blog.csdnimg.cn/blog_migrate/5b1627997f802716edda97815a90075e.png)
注:cumprod()
方法是指连乘,用于与连加一样,但使用频率较少。
今天我们盘点了66个Pandas函数合集,但实际还有很多函数在本文中没有介绍,包括时间序列、数据表的拼接与连接等等。此外,那些类似describe()
这种大家非常熟悉的方法都省去了代码演示。如果大家有在工作生活中进行“数据清洗”非常有用的Pandas函数,也可以在评论区交流。
参考资料
[1]
小小明-Pandas的clip和replace正则替换: https://blog.csdn.net/as604049322/article/details/105985763
[2]经常被人忽视的:Pandas文本型数据处理: https://mp.weixin.qq.com/s/Tdcb6jlyCc7XlQWZlvEd_w
[3]深入浅出Pandas: 利用Python进行数据处理与分析
END
推荐阅读
牛逼!Python常用数据类型的基本操作(长文系列第①篇)
牛逼!Python的判断、循环和各种表达式(长文系列第②篇)
牛逼!Python函数和文件操作(长文系列第③篇)
牛逼!Python错误、异常和模块(长文系列第④篇)
吴恩达deeplearining.ai的经典总结资料
Ps:从小程序直接获取下载