盤點66個Pandas函數(shù)，輕松搞定“數(shù)據(jù)清洗”！

今天我們重新盤點66個Pandas函數(shù)合集，包括數(shù)據(jù)預(yù)覽、數(shù)值數(shù)據(jù)操作、文本數(shù)據(jù)操作、行/列操作等等，涉及“數(shù)據(jù)清洗”的方方面面。

Pandas 是基于NumPy的一種工具，該工具是為解決數(shù)據(jù)分析任務(wù)而創(chuàng)建的。它提供了大量能使我們快速便捷地處理數(shù)據(jù)的函數(shù)和方法。

數(shù)據(jù)預(yù)覽

對于探索性數(shù)據(jù)分析來說，做數(shù)據(jù)分析前需要先看一下數(shù)據(jù)的總體概況。info()方法用來查看數(shù)據(jù)集信息，describe()方法將返回描述性統(tǒng)計信息，這兩個函數(shù)大家應(yīng)該都很熟悉了。

describe方法默認只給出數(shù)值型變量的常用統(tǒng)計量，要想對DataFrame中的每個變量進行匯總統(tǒng)計，可以將其中的參數(shù)include設(shè)為all。

head()方法和tail() 方法則是分別顯示數(shù)據(jù)集的前n和后n行數(shù)據(jù)。如果想要隨機看N行的數(shù)據(jù)，可以使用sample()方法。

df.sample(3)

輸出：

如果要檢查數(shù)據(jù)中各列的數(shù)據(jù)類型，可以使用.dtypes；如果想要值查看所有的列名，可以使用.columns。

df.columns

輸出：

Index(['日期', '銷量'], dtype='object')

前面介紹的函數(shù)主要是讀取數(shù)據(jù)集的數(shù)據(jù)信息，想要獲得數(shù)據(jù)集的大小（長寬），可以使用.shape方法。

df.shape

輸出：

(5, 2)

另外，len()可以查看某列的行數(shù)，count()則可以查看該列值的有效個數(shù)，不包含無效值（Nan）。

缺失值與重復(fù)值

Pandas清洗數(shù)據(jù)時，判斷缺失值一般采用isnull()方法。此外，isnull().any()會判斷哪些”列”存在缺失值，isnull().sum()用于將列中為空的個數(shù)統(tǒng)計出來。

df.isnull().any()

輸出：

日期    False
銷量    True
dtype: bool

發(fā)現(xiàn)“銷量”這列存在缺失值后，處理辦法要么刪除dropna() ，要么填充fillna()。

df.fillna(50)

輸出：

Pandas清洗數(shù)據(jù)時，判斷重復(fù)值一般采用duplicated()方法。如果想要直接刪除重復(fù)值，可以使用drop_duplicates() 方法。此處較為常見，不再過多演示。

數(shù)值數(shù)據(jù)操作

我們在處理數(shù)據(jù)的時候，會遇到批量替換的情況，replace()是很好的解決方法。它既支持替換全部或者某一行，也支持替換指定的某個或指定的多個數(shù)值（用字典的形式），還可以使用正則表達式替換。

df["編號"].replace(r'BA.$',?value='NEW',?regex=True,?inplace?=?True)

輸出：

在Pandas模塊中， 調(diào)?rank()?法可以實現(xiàn)數(shù)據(jù)排名。

df["排名"]?=?df.rank(method="dense").astype("int")

輸出：

rank()?法中的method參數(shù)，它有5個常?選項，可以幫助我們實現(xiàn)不同情況下的排名。

clip()方法，用于對超過或者低于某些數(shù)的數(shù)值進行截斷^[1]，來保證數(shù)值在一定范圍。比如每月的遲到天數(shù)一定是在0-31天之間。

df["遲到天數(shù)"]?=?df["遲到天數(shù)"].clip(0,31)

唯一值，unique()是以數(shù)組形式返回列的所有唯一值，而nunique()返回的是唯一值的個數(shù)。

df["gender"].unique()
df["gender"].nunique()

輸出：

在數(shù)值數(shù)據(jù)操作中，apply()函數(shù)的功能是將一個自定義函數(shù)作用于DataFrame的行或者列；applymap()函數(shù)的功能是將自定義函數(shù)作用于DataFrame的所有元素。他們通常也與匿名函數(shù)lambda一起使用。

df["數(shù)量"].apply(lambda?x:?x+1)

輸出：

文本數(shù)據(jù)操作

之前我們曾經(jīng)介紹過經(jīng)常被人忽視的：Pandas 文本型數(shù)據(jù)處理。在對文本型的數(shù)據(jù)進行處理時，我們會大量應(yīng)用字符串的函數(shù)，來實現(xiàn)對一列文本數(shù)據(jù)進行操作^[2]。

舉例：

df.insert(2,?"姓名",?
??????????df["姓"].str.cat(df["名"],?sep=""))

輸出：

df["手機號碼"]?=?df["手機號碼"].str.slice_replace(3,7,"*"*4)

輸出：

df["地址"].str.extract("([\u4e00-\u9fa5]+)")??

輸出：

行/列操作

數(shù)據(jù)清洗時，會將帶空值的行刪除，此時DataFrame或Series類型的數(shù)據(jù)不再是連續(xù)的索引，可以使用reset_index()重置索引。

df.reset_index(drop=True)

輸出：

rename()重命名用于更改行列的標簽，即行列的索引。可以傳入一個字典或者一個函數(shù)。在數(shù)據(jù)預(yù)處理中，比較常用。

df.rename(columns={'mark':?'sell'},?inplace=True)

輸出：

行列轉(zhuǎn)置，我們可以使用T屬性獲得轉(zhuǎn)置后的DataFrame。

df.T

輸出：

刪除行列，可以使用drop()。

df.drop(columns=["mark"])

輸出：

數(shù)據(jù)分析師在進行數(shù)據(jù)處理時經(jīng)常會遇到長寬表互轉(zhuǎn)的情況，這也是一道常見的數(shù)據(jù)分析面試題。

melt()方法可以將寬表轉(zhuǎn)長表，即表格型數(shù)據(jù)轉(zhuǎn)為樹形數(shù)據(jù)。

df.melt(id_vars="姓名",?var_name="科目",?value_name="成績")

輸出：

pivot()方法可以將長表轉(zhuǎn)寬表，即樹形數(shù)據(jù)轉(zhuǎn)為表格型數(shù)據(jù)。

df.pivot(index='姓名',?columns='科目',?values='成績')

輸出：

pivot()其實就是用 set_index()創(chuàng)建層次化索引，再用unstack()重塑

df1.set_index(['姓名','科目']).unstack('科目')?

數(shù)據(jù)分組與數(shù)據(jù)透視表更是一個常見的需求，groupby()方法可以用于數(shù)據(jù)分組。

df.groupby("科目").mean()

由于pivot_table()數(shù)據(jù)透視表的參數(shù)比較多，就不再使用案例來演示了，具體用法可參考下圖。

數(shù)據(jù)篩選

如果是篩選行列的話，通常有以下幾種方法：

有時我們需要按條件選擇部分列、部分行，一般常用的方法有：

除此以外，還有很多方法/函數(shù)可以用于“數(shù)據(jù)篩選”。

如果想直接篩選包含特定字符的字符串，可以使用contains()這個方法。

例如，篩選戶籍地址列中包含“黑龍江”這個字符的所有行。

df[df["戶籍地址"].str.contains("黑龍江")]

query()查詢方法也可以用來篩選數(shù)據(jù)，比如查詢“語文”成績大于“數(shù)學(xué)”成績的行記錄。

df.query("語文?>?英語")

輸出：

select_dtypes()方法可用于篩選某些數(shù)據(jù)類型的變量或列。舉例，我們僅選擇具有數(shù)據(jù)類型'int64'的列。

df.select_dtypes("int64")

輸出：

isin()接受一個列表，判斷該列中元素是否在列表中。

name_list?=?["張三",?"李四"]
df[df["姓名"].isin(name_list)]

輸出：

數(shù)值數(shù)據(jù)統(tǒng)計運算

在對數(shù)值型的數(shù)據(jù)進行統(tǒng)計運算時，除了有算術(shù)運算、比較預(yù)算還有各種常見的匯總統(tǒng)計運行函數(shù)，具體如下表所示。

舉例：

df["語文"].max()

輸出：

155

最后，再說一個比較常用的統(tǒng)計運算函數(shù)——累加cumsum()。

df["累計銷量"]?=?df["銷量"].cumsum()

輸出：

注：cumprod()方法是指連乘，用于與連加一樣，但使用頻率較少。

今天我們盤點了66個Pandas函數(shù)合集，但實際還有很多函數(shù)在本文中沒有介紹，包括時間序列、數(shù)據(jù)表的拼接與連接等等。此外，那些類似describe()這種大家非常熟悉的方法都省去了代碼演示。如果大家有在工作生活中進行“數(shù)據(jù)清洗”非常有用的Pandas函數(shù)，也可以在評論區(qū)交流。

參考資料

老表薦書

《深入淺出Pandas》這是一本全面覆蓋了Pandas使用者的普遍需求和痛點的著作，基于實用、易學(xué)的原則，從功能、使用、原理等多個維度對Pandas做了全方位的詳細講解，既是初學(xué)者系統(tǒng)學(xué)習(xí)Pandas難得的入門書，又是有經(jīng)驗的Python工程師案頭必不可少的查詢手冊。