数据分析之pandas(进阶)

Posted 2023-01-06 AI蜗牛之家

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据分析之pandas(进阶)相关的知识，希望对你有一定的参考价值。

文章目录

1.合并`pd.merge`

pd.merge(left, right, how='inner', on=None, left_on=None, right_on=None,
         left_index=False, right_index=False, sort=True,
         suffixes=('_x', '_y'), copy=True, indicator=False,
         validate=None)

left: 拼接的左侧DataFrame对象
right: 拼接的右侧DataFrame对象
on: 要加入的列或索引级别名称。必须在左侧和右侧DataFrame对象中找到。如果未传递且left_index和right_index为False，则DataFrame中的列的交集将被推断为连接键。
left_on:左侧DataFrame中的列或索引级别用作键。可以是列名，索引级名称，也可以是长度等于DataFrame长度的数组。
right_on: 左侧DataFrame中的列或索引级别用作键。可以是列名，索引级名称，也可以是长度等于DataFrame长度的数组。
left_index: 如果为True，则使用左侧DataFrame中的索引（行标签）作为其连接键。对于具有MultiIndex（分层）的DataFrame，级别数必须与右侧DataFrame中的连接键数相匹配。
right_index: 与left_index功能相似。
how: One of ‘left’, ‘right’, ‘outer’, ‘inner’. 默认inner。inner是取交集，outer取并集。比如left：[‘A’,‘B’,‘C’];right[’'A,‘C’,‘D’]；inner取交集的话，left中出现的A会和right中出现的买一个A进行匹配拼接，如果没有是B，在right中没有匹配到，则会丢失。'outer’取并集，出现的A会进行一一匹配，没有同时出现的会将缺失的部分添加缺失值。
sort: 按字典顺序通过连接键对结果DataFrame进行排序。默认为True，设置为False将在很多情况下显着提高性能。
suffixes: 用于重叠列的字符串后缀元组。默认为（‘x’，’ y’）。
copy: 始终从传递的DataFrame对象复制数据（默认为True），即使不需要重建索引也是如此。
indicator:将一列添加到名为_merge的输出DataFrame，其中包含有关每行源的信息。 _merge是分类类型，并且对于其合并键仅出现在“左”DataFrame中的观察值，取得值为left_only，对于其合并键仅出现在“右”DataFrame中的观察值为right_only，并且如果在两者中都找到观察点的合并键，则为left_only。

2.去除空数据

pandas的设计目标之一就是使得处理缺失数据的任务更加轻松些。pandas使用NaN作为缺失数据的标记。
dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
效果同布尔表达式df[df.notnull()]

df = pd.DataFrame("name": ['Alfred', 'Batman', 'Catwoman'],
                   "toy": [np.nan, 'Batmobile', 'Bullwhip'],
                   "born": [pd.NaT, pd.Timestamp("1940-04-25"), pd.NaT])
#
#           name        toy       born
#    0    Alfred        NaN        NaT
#    1    Batman  Batmobile 1940-04-25
#    2  Catwoman   Bullwhip        NaT

df.dropna()
#        name        toy       born
#   1  Batman  Batmobile 1940-04-25

3.去除重复

drop_duplicates（subset=' 列名',keep='firsrt',inplace='True'）函数是删除DataFrame的某列中重复项的函数。

subset，输入列名，形式为subset=‘列名1’，可输入多列，形式为subset=[‘列名1’,‘列名2’]

keep包括’first’，‘last’，False，三个参数，注意first和last带引号，而False没有，'first’是保留重复项中第一个，last是保留最后一个，False是都不保留

import pandas as pd
dict='x':[1,2,3,6],'y':[1,4,1,1],'z':[1,2,4,1]
df=pd.DataFrame(dict)
print(df, "\\n")
#    x  y  z
# 0  1  1  1
# 1  2  4  2
# 2  3  1  4
# 3  6  1  1 

df.drop_duplicates(subset=['y','z'],keep='first',inplace=True)
print(df)
#   x  y  z
# 0  1  1  1
# 1  2  4  2
# 2  3  1  4

4.apply数据处理

用于处理数据，类似于python中的apply函数，返回迭代器
apply(func, axis=0, raw=False, result_type=None, args=(), **kwds)

df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
print(df)
#       A  B
#    0  4  9
#    1  4  9
#    2  4  9

df.apply(np.sqrt)
#         A    B
#    0  2.0  3.0
#    1  2.0  3.0
#    2  2.0  3.0

5.数据聚合

groupby(by=None, 
		axis=0, 
		level=None, 
		as_index: bool = True, 
		sort: bool = True,
		group_keys: bool = True, 
		squeeze: bool = False, 
		observed: bool = False)