Pandas教程(三)—— 数据清洗与准备

2023-12-28 00:26:04

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 encodeget_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)       

?

文章来源:https://blog.csdn.net/m0_61766362/article/details/135226705
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。