删除重复数据
使用duplicated()函数检测重复的行，返回元素为布尔类型的Series对象，每个元素对应一行，如果该行不是第一次出现，则元素为True
keep参数：指定保留哪一重复的行数据创建具有重复元素行的dataframe数据
import numpy as np
import pandas
from pandas import Series,DataFrame
#创建一个df
df = DataFrame(data=np.random.randint(0,100,size=(8,4)))
#手动将df的某几行设置成相同的内容
df.iloc[1] = [666,666,666,666]
df.iloc[3] = [666,666,666,666]
df.iloc[5] = [666,666,666,666]
使用duplicated查看所有重复元素行
df.loc[~(df.duplicated(keep='first'))] #指定保留第一行重复数据
使用drop去除重复数据
indexs = df.loc[df.duplicated(keep='last')].index #保留最后的元素
df.drop(labels=indexs,axis=0)
使用drop_duplicates()函数删除重复的行
参数: drop_duplicates(keep='first/last'/False)df.drop_duplicates(keep='first',inplace=False)
映射
使用replace()函数，对values进行映射操作
Series替换操作
- 单值替换
- 普通替换
- 字典替换(推荐）
- 多值替换
- 列表替换
- 字典替换（推荐）
- 参数
- to_replace:被替换的元素
单值普通替换
s = Series(data=[2,3,4,5,6,7])
s.replace(to_replace=[5,6],value=['five','six'])
DataFrame替换操作
- 单值替换
- 普通替换： 替换所有符合要求的元素:to_replace=15,value='e'
- 按列指定单值替换： to_replace={列标签：替换值} value='value'
- 多值替换
- 列表替换: to_replace=[] value=[]
- 字典替换（推荐） to_replace={to_replace:value,to_replace:value}
df.replace(to_replace=666,value='sixsixsix')
df.replace(to_replace={9:'nine'}) #将9替换为ninedf.replace(to_replace={3:666},value='six') #将第三列中的666替换为sixmap()函数
新建一列, map函数并不是df的方法，而是series的方法
- map()可以映射新一列数据
- map()中可以使用lambd表达式
-
map()中可以使用方法，可以是自定义的方法
eg:map({to_replace:value})
- 注意 map()中不能使用sum之类的函数，for循环
重新创建一个df
dic = {
'name':['jay','tom','jay'],
'salary':[12000,7000,12000]
}
df = DataFrame(data=dic)
新增一列：给df中，添加一列，该列的值为英文名对应的中文名
dic = {
"jay":'周杰伦',
"tom":'张三',
}
df['c_name'] = df['name'].map(dic)
map当做一种运算工具，至于执行何种运算，是由map函数的参数决定的（参数：lambda，函数
使用自定义函数
超过3000部分的钱缴纳50%的税
def after_salary(s):
if s <= 3000:
return s
else:
return s - (s-3000)*0.5
df['after_sal'] = df['salary'].map(after_salary)
注意：并不是任何形式的函数都可以作为map的参数。只有当一个函数具有一个参数且有返回值，那么该函数才可以作为map的参数
使用聚合操作对数据异常值检测和过滤
使用df.std()函数可以求得DataFrame对象每一列的标准差
#创建一个1000行3列的df 范围（0-1），求其每一列的标准差
df = DataFrame(data=np.random.random(size=(1000,3)),columns=['A','B','C'])对df应用筛选条件,去除标准差太大的数据:假设过滤条件为 C列数据大于两倍的C列标准差
std_twice = df['C'].std() * 2
df['C'] > std_twice
df.loc[~(df['C'] > std_twice)]填充
df.loc[df['C'] > std_twice]
indexs = df.loc[df['C'] > std_twice].index
df.loc[indexs,'C'] = np.nan #将大于两倍的值赋值为空
df.fillna(axis=0,method='ffill',inplace=True) #前一个值填充
df.fillna(axis=0,method='bfill',inplace=True) #后一个值填充
排序
使用.take()函数排序
- take()函数接受一个索引列表，用数字表示,使得df根据列表中索引的顺序进行排序
- eg:df.take([1,3,4,2,5])
df.take([2,1,0],axis=1)
可以借助np.random.permutation()函数随机排序
df.take(np.random.permutation(3),axis=1)
random_df = df.take(np.random.permutation(3),axis=1).take(np.random.permutation(1000),axis=0)
np.random.permutation(x)可以生成x个从0-(x-1)的随机数列
np.random.permutation(5)
数据分类处理
数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。
数据分类处理：
- 分组：先把数据分为几组
- 用函数处理：为不同组的数据应用不同的函数以转换数据
- 合并：把不同组得到的结果合并起来
数据分类处理的核心：
- groupby()函数
- groups属性查看分组情况
- eg: df.groupby(by='item').groups分组
from pandas import DataFrame,Series
df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],
'price':[4,3,3,2.5,4,2],
'color':['red','yellow','yellow','green','green','green'],
'weight':[12,20,50,30,20,44]})
使用groupby实现分组
df.groupby(by='item',axis=0)使用goups属性查看分组
df.groupby(by='item',axis=0).groups分组后的聚合操作：分组后的成员中可以被进行运算的值会进行运算，不能被运算的值不进行运算
给df创建一个新列，内容为各个水果的平均价格, mean():平均
mean_price = df.groupby(by='item',axis=0)['price'].mean()
#结果
item
Apple 3.00
Banana 2.75
Orange 3.50
Name: price, dtype: float64将数据转化为字典
dic = mean_price.to_dict()
结果: {'Apple': 3.0, 'Banana': 2.75, 'Orange': 3.5}将结果添加数据中
df['mean_price'] = df['item'].map(dic)
按颜色查看各种颜色的水果的平均价格
color_mean_price = df.groupby(by='color',axis=0)['price'].mean()高级数据聚合
使用groupby分组后，也可以使用transform和apply提供自定义函数实现更多的运算
- df.groupby('item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)
- transform和apply都会进行运算，在transform或者apply中传入函数即可
- transform和apply也可以传入一个lambda表达式
使用apply函数求出水果的平均价格
def fun(s):
sum = 0
for i in s:
sum+=i
return sum/s.size
df.groupby(by='item')['price'].apply(fun) #性能要不map好使用transform函数求出水果的平均价格
def fun(s):
sum = 0
for i in s:
sum+=i
return sum/s.size
df.groupby(by='item')['price'].transform(fun)apply还可以替代运算工具map,效率高很多
s = Series(data=[1,2,3,4,5,6,7,87,9,9])
# s.map(func)
s.apply(func)
来源：oschina
链接：https://my.oschina.net/u/4397474/blog/3537910