Pandas 数据清洗常见方法
Posted james-221
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Pandas 数据清洗常见方法相关的知识,希望对你有一定的参考价值。
Pandas 数据清洗常见方法
01 读取数据
df=pd.read_csv(‘文件名称‘)
02 查看数据特征
df.info()
03 查看数据量
df.shape
04 查看各数字类型的统计量
df.describe()
05 去除重复值
df.drop_duplicates(inplace=True)
06 重置索引
data.reset_index(inplace=True,drop=True)
07 查看缺失值信息
data.loc[data[‘列名‘].isnull()]
01 每一列数据的缺失值进行统计
data.isnull().sum()
08 填充缺失值
# 用0填充
data=data.fina(0)
# 将这一列的空值填充为平均值,类型为int类型
df_all[‘列名‘] = df_all.列名.fillna(int(df_all.列名.mean())).astype(‘int‘)
09 查看是否还有空值
data.isnull().any()
10 对某列数据计数统计
data[‘列名‘].value_counts
11 对某列数据计数并排序
data[‘列名‘].value_counts().sort_values()
01 统计店名的销售额,并排序
data.groupby(‘店名‘)[‘销售额‘].sum().sort_values
12 遍历查看数据集所有列的数据类型
cols=df_tm.columns
for col in cols:
print(col+‘:‘+str(df_tm[col].dtype))
13 转换数据类型
df[‘列名‘]=df.列名.astype(‘int‘)
01 去掉温度列后的℃,并将数据转为int类型
df.loc[:,‘bwendu‘]=df[‘bwendu‘].str.replace(‘℃‘,‘‘).astype(‘int32‘)
02 对某列数据转换类型
data[‘列名‘]=data[‘列名‘].astype(int)
14 删除指定列中有空值的行
mydf.dropna(subset=[‘列名‘],inplace=True)
mysf=mydf.dropna(subset=[‘列名‘])
15 过滤某列中不符合类型的数据
data=data[`data[‘列名‘].isin([‘你好‘])]
16 转换时间格式
例:20110/02/02====》202-02-02
data[‘列名‘]=pd.to_datetime(data)[‘time‘]
17 删除某列
data.drop([‘列名‘],axis=1,inplace=True)
18 重命名列
rename_list={‘原列名1:‘新列名1‘,...}
df.rename(rename_list,axis=1,inplace=True)
19 提取多列数据
df[[‘列1‘,‘列2‘,‘列3‘]]
20 多表合并
df_all=pd.merge(table1,table2,on=‘参照列‘,how=‘inner‘)
21 去除空格
a.replace(‘s+‘,‘‘,regex=True,inplace=True)
典型案例
01 提取国家和城市,生成新列
# ciy: 提取国家和城市
def transform_country(x):
if ‘中国‘ in x:
return ‘中国‘
else:
return x
def transform_city(x):
if ‘中国‘ in x:
return x[2:]
else:
return x
df_all[‘country‘] = df_all.city.map(lambda x: transform_country(x))
df_all[‘city‘] = df_all.city.map(lambda x: transform_city(x))
02 提取数值
# height:提取数值
df_all[‘height‘] = df_all.height.str.extract(‘(d+)‘).astype(‘int‘)
df_all.head(2)
03 提取年龄
# age: 提取年龄
df_all[‘age‘] = df_all.age.str.extract(‘.*?s*((.*?)岁)‘).astype(‘float‘)
df_all.head(2)
04 循环遍历某列所有数据,在后面加上指定字段:
data[‘列名‘].apply(lambda x:str(x)+‘天‘)
注释:str(x) 为了将数据转换为字符类型
05 提取汉字
df4[‘name‘] = df4.name.str.extract(‘([u4e00-u9fa5]+)‘)
06 时间索引格式转换为普通列表格式
m3 = data1[‘出发时间‘].value_counts().sort_index()[:]
m4 = m3[‘2020‘].index
n4 = m3[‘2020‘].values.tolist()
# 将其转化为时间格式的数组
a1 = m4.to_pydatetime()
# 时间转换成以下格式
a2 = np.vectorize(lambda s: s.strftime(‘%Y-%m-%d‘))(a1)
a3 = pd.Series(a2).tolist
输出m4,如下图所示
输出a1,如下
输出a2 ,如下
输出a3,如下
以上是关于Pandas 数据清洗常见方法的主要内容,如果未能解决你的问题,请参考以下文章