pandas笔记

读取csv文件,如果文件中无表头的话，则用header=None,否则，默认第一行为header,dtype可以指定某列在dataframe为str类型，以免转成dataframe时变成浮点数。

import pandas as pd
user_info=pd.read_csv('D:/predict_rujin/user_info.csv',header=None,dtype=str)

保存为csv文件：

df1.to_csv(path,header=True,index=False,encoding='UTF-8')

读取DataFrame的前几行或后几行,括号中也可以加入具体数字：

df1.head()
df1.tail()

更改dataframe的列名：

df1.columns=['column1','column2']

 

python中grouby和agg的操作： https://segmentfault.com/a/1190000012394176

                                                https://blog.csdn.net/claroja/article/details/71080293?utm_source=itdadao&utm_medium=referral

 

转换某列类型如：pd1.column.astype('str')

 

groupby后的列按照数组的形式看待。   

apply后面lambda函数的使用例子：对象.apply(lambda s:len(s.split(':'))) ，apply后面也可以自定义函数

t6.rename(columns={'distance':'merchant_max_distance'},inplace = True)

merchant3_feature = pd.merge(merchant3_feature,t2,on='merchant_id',how='left')

merchant3_feature.sales_use_coupon = merchant3_feature.sales_use_coupon.replace(np.nan,0) 

apply,applymap,map的区别

    apply 用在dataframe上，用于对row或者column进行计算；
  applymap 用于dataframe上，是元素级别的操作；
  map （其实是python自带的）用于series上，是元素级别的操作。
 

判断是否空值：

np.isnan(user_rujin_info_active).any()    #每一行是否有空
np.isnan(user_rujin_info_active)         #每一个数据是否为空
df1.fillna(0.5)         #填充空值

 np.unique(user_action_1.function_name)      #该列去重，去重后的该列保存在array中

dict(zip(function_name,range(len(function_name))))