文摘:DataFrame数据清洗
Posted chickenwrap
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了文摘:DataFrame数据清洗相关的知识,希望对你有一定的参考价值。
原文地址:https://www.zybuluo.com/jk88876594/note/802632
DataFrame——数据清洗
阿雷边学边教python数据分析第3期——pandas与numpy
#导入pandas库和numpy库
import pandas as pd
import numpy as np
1.缺失值处理
python中用NaN(Not a Number)表示缺失数据
#示例数据
df = pd.read_csv("pokemon_data.csv",encoding="gbk")
#查看数据前十行
df.head(10)
(1)判断缺失值
df.isnull() #判断数据表所有数据的缺失值
df["类型2"].isnull() #判断数据表某一列的缺失值
#查看类型2这一列的非缺失值和缺失值的数量分布
df["类型2"].isnull().value_counts()
(2)删除缺失值
df.dropna() #删除掉含有缺失值的所有行
df.dropna(how="any") #删除掉含有缺失值的所有行
df.dropna()等价于df.dropna(how="any")
df.dropna(how="all") #删除满足行内数据均为NaN这个条件的行
#创建一个4行3列的含有NaN的数据作为演示
df1 = pd.DataFrame([[1,5,np.nan],[2,np.nan,np.nan],[2,3,np.nan],[np.nan,np.nan,np.nan]])
df1
#how="all"能删除掉均为NaN的行
df1.dropna(how="all")
#删除满足列内数据均为NaN这个条件的列,按列删除
df1.dropna(how="all",axis=1)
(3)填充缺失值
# 示例数据
df1 = pd.DataFrame([[1,5,np.nan],[2,np.nan,np.nan],[2,3,np.nan],[np.nan,np.nan,np.nan]])
- 填充指定值
df1.fillna(value=0)
- 填充函数
#对第2列的缺失值,用该列的均值填充
df1[1].fillna(df1[1].mean())
- 向前填充
#对第2列的缺失值进行向前填充
df1[1].fillna(method="ffill")
- 向后填充
#对第2列的缺失值进行向后填充
df1[1].fillna(method="bfill")
2.清除空格
#创建含有空格的数据
dict1 = {"name":["小红","小明","小张"],"age":[16,17,18],"city":["北京 ","杭州"," 上海 "]}
df2 = pd.DataFrame(dict1,columns=["name","age","city"])
#清除空格
df2["city"]=df2["city"].map(str.strip)
3.转换数据格式
df2["age"]=df2["age"].astype("str") #转换成字符串格式
df2["age"]=df2["age"].astype("float") #转换成浮点数格式
df2["age"]=df2["age"].astype("int") #转换成整数格式
4.大小写转换
df2["city"]=df2["city"].str.lower() #转换成全小写
df2["city"]=df2["city"].str.upper() #转换成全大写
df2["city"]=df2["city"].str.title() #转换成首字母大写
5.更改列名
#通过rename函数修改部分列名或者所有列名,并默认返回一个新的数据框,若需要在原基础上修改,添加参数inplace=True即可
df2.rename(columns={"name":"name2","age":"age2"})
#通过columns属性修改列名,这种方式就需要输入所有的列名了,并直接在原基础上修改
df2.columns = ["n","a","c"]
6.更改索引与重置索引
(1)更改索引
set_index()
df.set_index("类型1")
(2)重置索引
reset_index()
df.reset_index()
7.重复值处理
#示例数据
df5 = pd.DataFrame({"c1":["apple"]*3 + ["banana"]*3,"c2":[1,1,2,3,3,2]})
(1)查看是否有重复值
#适合小数据目测
df5.duplicated(subset=["c1","c2"],keep="first")
#当数据量比较大的时候,可以看看重复数据和非重复数据的计数分布
df5_duplicated = df5.duplicated(subset=["c1","c2"],keep="first")
df5_duplicated.value_counts()
(2)保留重复值
df5[df5.duplicated(subset=["c1","c2"],keep="first")]
(3)删除重复值
#默认保留第一个出现的重复值,删除掉后面的重复值
df5.drop_duplicates(subset=["c1","c2"],keep="first")
#保留最后一个重复值,删除掉前面的重复值
df5.drop_duplicates(subset=["c1","c2"],keep="last")
#如果希望直接在原基础上修改,添加参数inplace=True
df5.drop_duplicates(subset=["c1","c2"],keep="last",inplace=True)
8.替换值
#示例数据
df6 = df.head(10)
#忽略警告
import warnings
warnings.filterwarnings("ignore")
(1)单一对象替换单个值
df["colname"].replace("替换对象","替换值")
df6["类型1"] = df6["类型1"].replace("Grass","G")
(2)多对象替换单个值
df["colname"].replace(["替换对象1","替换对象2",...],"替换值")
df6["类型1"] = df6["类型1"].replace(["G","Fire"],"gf")
(3)用不同的值替换不同的对象
df["colname"].replace(["替换对象1","替换对象2",...],["替换值1","替换值2",...])
df6["类型1"] = df6["类型1"].replace(["gf","Water"],["good","W"])
(4)参数也可以是字典
df["colname"].replace({"替换对象1":替换值1,"替换对象2":替换值2,...})
df6["类型1"] = df6["类型1"].replace({"good":"gg","W":"ww"})
以上是关于文摘:DataFrame数据清洗的主要内容,如果未能解决你的问题,请参考以下文章
pandas使用to_sql方法将dataframe注册为数据库表进行数据整合和数据清洗并不对比SQL操作和dataframe操作
python数据分析pandas中的DataFrame数据清洗