盘点66个Pandas函数，轻松搞定“数据清洗”！

Posted 2022-04-17 大数据v

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了盘点66个Pandas函数，轻松搞定“数据清洗”！相关的知识，希望对你有一定的参考价值。

导读：之前的文章曾经总结过一些Pandas函数，主要是针对字符串进行一系列的操作。在此基础上，本文又扩展了几倍，全文较长，建议先收藏。

作者：朱小五

来源：凹凸数据（ID：alltodata）

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。

01 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：

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）。

02 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：

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。

03 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：

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：

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。

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)

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：

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：

04 文本数据操作

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]。

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：

df["手机号码"] = df["手机号码"].str.slice_replace(3,7,"*"*4)

输出：

df["地址"].str.extract("([\\u4e00-\\u9fa5]+)")

输出：

05 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：

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：

行列转置，我们可以使用T属性获得转置后的DataFrame。

df.T

输出：

删除行列，可以使用drop()。

df.drop(columns=["mark"])

输出：

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：

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：

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')

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()

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。

06 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：

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：

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：

07 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，具体如下所示。

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：

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：

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》

延伸阅读👇