pandas常用数据清洗方法

Posted 2021-03-03 -wenli

数据预处理常用函数

• df.duplicated() :判断各行是重复，False为非重复值。
• df.drop_duplicates()：删除重复行
• df.fillna(0)：用实数0填充na
• df.dropna()：按行删除缺失数据，使用参数axis=0；按列删除缺失值，使用参数axis=1，how = "all" 全部是NA才删，"any"只要有NA就删除
• del df[‘col1‘]：直接删除某列
• df.drop([]‘col1‘,……],axis=1)：删除指定列，也可以删除指定行
• df.rename(index={‘row1‘:‘A‘},columns ={‘col1‘:‘B‘})：重命名索引名和列名
• df.replace()：替换df值，前后值可以用字典表,{‘1‘:‘A‘,‘2:‘B‘}
• hr_data[‘col1‘].map(function)：Series.map，对指定列进行函数转换
• pd.merge(df1,df2,on=‘col1‘,how=‘inner‘,sort=True)：合并两个df，按照共有的列作内连接（交集），outter为外连接（并集），结果排序。
• pd.concat([df1,df2])：多个Series堆叠成多行。
• df1.combine_first(df2)：用df2的数据补充df1的缺失值NAN。

 

数据集介绍

以下各例子均使用如下数据集进行演示。

---

duplicated()

判断各行是重复，False为非重复值。

---

drop_duplicates()

删除重复行

通过指定列，删除重复行

---

fillna(value=0)

对缺失值进行填充 ,用实数0填充na。

---

df.dropna()

通常情况下，删除行使用参数axis = 0，删除列使用axis = 1。

按列删除缺失值，使用参数axis=1。

how = "all" 全部是NA才删，"any"只要有NA就删除

---

del df[‘col1‘]

直接删除某列。

---

df.drop()

• labels 就是要删除的行列的名字，用列表给定。
• axis=0 删除行，axis=1 删除列。
• index 直接指定要删除的行。
• columns 直接指定要删除的列。

删除指定行

---

df.rename()

重命名索引名和列名。

---

df.replace()

替换df值，前后值可以用字典表,{‘1‘:‘A‘,‘2:‘B‘}。

---

hr_data[‘col1‘].map(function)

Series.map，对指定列进行函数转换。

---

pd.merge(df1,df2,on=‘col1‘,how=‘inner‘,sort=True)

merge 函数通过一个或多个键来将数据集的行连接起来。该函数的主要 应用场景是针对同一个主键存在两张包含不同特征的表，通过该主键的连接，将两张表进行合并。合并之后，两张表的行数没有增加，列数是两张表的列数之和减一。

{!-- PGC_COLUMN --}

• on=None 指定连接的列名，若两列需要连接的列名不一样，可以通过left_on和right_on 来具体指定
• how=’inner’，参数指的是左右两个表主键那一列中存在不重合的行时，取结果的方式：inner表示交集，outer 表示并集，left 和right 表示取某一边。

---

pd.concat([df1,df2])

拼接两个数据集，可在行或者列上合并。

axis=0 是行拼接，拼接之后行数增加，列数也根据join来定，join=’outer’时，列数是两表并集。同理join=’inner’，列数是两表交集。

---

df1.combine_first(df2)

合并重叠数据，用df2的数据补充df1的缺失值NAN。