利用python进行数据分析（五）：数据规整化

首先

import pandas as pd

（1）连接pandas对象

pd.concat([s1,s2,s3])  #s1,s2,s3是pandas对象，默认axis=0
pd.concat([s1,s2,s3],axis=1)  #生成DataFrame
pd.concat([s1,s2,s3],axis=1,keys=['one','two','three'])  #添加列名
df1.combine_first(df2)			#组合两个DataFrame并合并重叠数据

（2）DataFrame移除重复数据

frame.drop_duplicate()		    #消除重复数据,默认保存第一个值的组合。
frame.drop_duplicate([‘k1’])     #只根据某一列来消除重复数据
frame.drop_duplicate(take_last=True)		#消除重复数据，保存最后一个。

（3）pandas对象替换值

data.replace([-999,100],np.nan)    #将data中的-999，都替换为NaN

（4）字符串操作

s.split(‘,’)  #以逗号为间隔将字符串拆成字符串数组
s.strip()     #去掉字符串s中的空白符
[x.strip() for x in s.split(‘,’)]
‘g’ in s      #可以判断s中是否有'g' 
s.index('g')  #返回'g' 的索引位置
s.find('g')   #返回'g' 的索引位置,没有的话返回-1
s.count('g')     #计算'g'  出现的次数

（5）正则表达式

pattern=r’[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}’  #一个可以识别大部分电子邮件的正则表达式
regex=re.compile(pattern,flags=re.IGNORECASE)   #这个flag的作用是让正则表达式对大小写不敏感。
regex.findall(text)                 #在字符串text中寻找所有的符合这种规范的字符串切片

（6）pandas中矢量化的字符串函数

data.str.contains(‘gmail’)         #检查pandas对象中每个元素是否包含’gmail‘字符串
data.str.get(1)   				   #获取各元素里面的第1个元素。
data.str[:5]   					   #获取各元素里面的前五个元素。