Pandas教程（三）—— 数据清洗与准备

1.处理缺失值

1.1 数据删除函数

作用：删除Dataframe某行或某列的数据

语法：df.drop（ labels = [ ] ）

drop函数的几个参数：

labels =：接收一个列表，内含删除行 / 列的索引编号或索引名

axis =：删除的轴向 0代表删除行；1代表删除列

inplace =：是否改变原数组 默认False 即生成一个新数组

1.2 缺失值的查看

方法	描述
df.isnull（）	返回一个布尔数组，是缺失值就显示True
df.notnull（）	返回一个布尔数组，是缺失值就显示False

1.3 过滤缺失值

作用：删除缺失值所在的行 / 列

语法：df.dropna（ axis=0, how='any', thresh=None, subset=None, inplace=False ）

dropna函数的几个参数：

axis =：0代表删除包含缺失值的行；1代表删除包含缺失值的列

how=："any"代表删除有缺失值的行 / 列 ； "all"代表删除所有值均缺失的行 / 列

thresh=：行 / 列中若达不到thresh个非缺失值，就删除

subset= ：输入一个含索引名称的list，代表对这些列的空值进行删除

1.4 填充缺失值

作用：将缺失值补全为指定的值

语法：df.fillna（value, method=None, axis=None, inplace=False, limit=None）

fillna函数的几个参数：

value：填充的值，也可输入一个字典（用于为不同的列设置不同的填充值）

method：填充方法 "ffill"用前面的值填充 "bfill"用后面的值填充

axis：修改填充的轴

limt：最大填充数

2. 数据转换方法

2.1 删除和提取重复值

2.1.1 查看元素个数

• 语法：df [ 列名 ] . value_counts()
• 与count（）函数的区别：前者是返回各个元素的个数，后者时返回该列中所有元素的总数

2.1.2 删除重复值

• 语法：df.drop_duplicates(subset=None, keep='first', inplace=False)

参数说明

subset：输入一个list，用来要操作的列，默认是所有列

keep：指定处理重复值的方法

"first" 指保留第一次出现的值 "last" 指保留最后一次出现的值

"False" 不保留重复值，全部删除

2.1.3 提取重复值

• 语法：df [ df.duplicated(subset=None, keep='first') ]
• 原理：相当于运用了索引切片的操作，中括号内的函数用来判断是否为重复值

2.2 数据替换

2.2.1 元素替换

• 语法：df.replace（被替换的元素，替换元素）
• 注意： 1）如果要一次替换多个不同的值，可以利用列表或者字典
• 2）如果想仅对某列替换，先利用df [ ] 切片即可

2.2.2 字符串替换

• 语法：df.str.replace（被替换的字符串，替换字符串）
• 区别：它是对字符串进行按元素替代的，可以对字符串切片后进行替换操作

例如："山东省" 一> "山西省"，该方法就可直接替换"东" 一>"西"，这对于操作长数据非常方便

2.3 离散化和分箱

连续值经常需要离散化，或者分离成"箱子"进行处理。即：分组

2.3.1 指定分界点分箱

• 语法：pd.cut (x, bins, right=True, labels=None, precision=3, include_lowest=False)

参数说明：

x： 待切割的一维数组或列表对象

bins： 切割箱 若输入一个整数，则定义了x宽度范围内的等宽面元数量；

若输入一个序列，则代表分界点

right： 是否为左开右闭区间

labels： 自定义箱子名称 传入数组或列表（与箱子等长）

precision： 箱子精度 保留几位小数

include_lowest：第一个区间的左端点是否包含

2.3.2 等宽（频）分箱

• 作用：保证每个箱子的样本数一样
• 语法：pandas.qcut ( x, q, labels=None, precision=3 )

参数说明：

q：整数（分成几份） 或 分位数（0~1）组成的数组（分割点）

2.3.3 补充说明

1）以上两个函数会返回一个Categorical对象，会显示每个元素对应的箱名

2）对于返回的Categorical对象，可以结合数学统计函数去做数据统计

import pandas as pd
year = [1992,1985,1937,2005,2015,1999] #数据
box = [1930,1960,1990,2020]    #箱子
box_name=["初期","中期","后期"]  #定义箱子名

result1 = pd.cut(year,box,labels=box_name)  #按指定的箱分割，并指定箱名
print(result1)
print("-"*30)
print(result1.describe()) #做数据统计
print("-"*30)

result2 = pd.qcut(year,3) #分成三段
print(result2)

2.4 其他数据转化操作

操作	方法	参数
实现one hot encode	get_dummies(data)	columns：需要转换的列 prefix：转换后列名的前缀
随机抽取子集	df.sample（n=）	replace：取出后是否放回（默认不放回) n：抽取的样本数（列数目）
重命名轴索引	df.rename（index= ， columns=）	可以输入字典{ 旧索引名：新索引名 }

• one hot encode（独热编码）： 将离散型特征的每一种取值都看成一种状态

正常 one hot encode

3.字符串操作

3.1 字符串常用方法

python常用字符串方法

import pandas as pd
str = "a / b/   wow"
new = str.split("/")
print(new)    # 按符号拆分字符串   ['a ', ' b', '   wow']

piece = [x.strip() for x in new]
print(piece)  # 与strip搭配使用 ，去除空格   ['a', 'b', 'wow']

jia = "--".join(piece)
print(jia)    # 将字符串用符号拼接起来   a--b--wow

print(jia.index("-")) # 返回"-"第一次出现的位置  1

3.2 正则表达式

正则表达式是一组由字母和符号组成的特殊文本，用于在文本中灵活的查找我们想要的格式的字符串，例如在一封邮件中提取所有的电话，在一篇文章中提取所有的地址

3.2.1 正则表达式的常用函数

要使用正则表达式函数，首先要导入re模块：import re

函数	描述
re.compile（）	编译正则表达式，用其他函数再调用正则表达式，就不用重复编译了，提高效率
re.spilt（"分隔符"，data）	通过指定的分隔符将字符串拆分
re.findall（正则表达式，data）	匹配出字符串中所有符合正则表达式的值，并且以列表的形式返回
re.sub（old，new）	替换字符串 比replace好处：可以在 "[ ]" 内输入多个符号，同时被取代
re.search（正则表达式，data）	返回文本中第一个匹配项
re.match（正则表达式，data）	仅从字符串起始位置开始匹配，若满足要求则返回

3.2.2 正则表达式基础语法

• 贪婪与非贪婪

1）贪婪： '[a-zA-Z]{3,5}' 一> 要求找连续的3~5个字母

先找三个连续的字母，最多找到5个连续的字母后停止；在3个以后且5个以内发

现了不是字母的也停止。然后接着找下一个

2）非贪婪： '[a-zA-Z]{3}' 一> 找连续的3个字母，找到3个就停止，接着下一个

# 提取字符串a中所有的数字
import re
a = '孙悟空7猪八戒6沙和尚3唐僧6白龙马'
r = re.findall('[0-9]',a)
print(r)                   # 返回结果：['7', '6', '3', '6']


# 找到字符串中间字母不是d或e的单词
a = 'xyz,xcz,xfz,xdz,xaz,xez'
r = re.findall('x[^de]z',a)
print(r)                   # 返回：['xyz', 'xcz', 'xfz', 'xaz']      


# 提取特殊字符、空格、\n、\t等
import re
a = 'Excel 12345Word\n23456_PPT12lr'
r = re.findall('\W',a)
print(r)