pandas之数据处理操作

1、pandas对缺失数据的处理

我们的数据缺失通常有两种情况：
　　1、一种就是空，None等，在pandas是NaN(和np.nan一样)
　　　　解决方法：

　　　　　　　　判断数据是否为NaN：pd.isnull(df),pd.notnull(df)

　　　　　　　　处理方式1：删除NaN所在的行列dropna (axis=0, how='any', inplace=False)

　　　　　　　　处理方式2：填充数据，t.fillna(t.mean()),t.fiallna(t.median()),t.fillna(0)

　　2、另一种是我们让其为0，蓝色框中
　　　　解决方法：

　　　　　　　　step1、处理为0的数据：t[t==0]=np.nan 当然并不是每次为0的数据都需要处理 计算平均值等情况，nan是不参与计算的，但是0会

　　　　　　　　step2、然后在对nan进行操作

　　注意：fiillna(t.mean())填充只针对该nan的列的平均值进行填充

2、常用的统计方法

    df["name"].unique()#获取不重复的列表数据
    df["name"].mean()#取平均值
    df["name"].max()#取最大值
    df["name"].min()#取最小值
    df["name"].argmin()#取最小值位置 
    df["name"].argman()#取最大值位置
    df["name"].median()#取中位数

 3、pandas 实现one hot编码方式

1、重新构造一个全为0的数组，行名为分类，长度为原数据长度
    zeros_df = pd.DataFrame(np.zeros((df.shape[0],len(cate_list))),columns=cate_list)

2、如果某一条数据中分类出现过，就让它由0变为1
    方式1：
       for cate in cate_list:
    　　　　zeros_df[cate][df["title"].str.contains(cate)]=1

　　　　　　

    方式2：
       for i in range(df.shape[0]):
            zeros_df.loc[i][temp_list[i][0]] = 1    
    方式3：
    cate_list = [i[0] for i in temp_list]
    df["cate"] = pd.DataFrame(np.array(cate_list).reshape((df.shape[0],1)))    

 4、数据合并Join和Merge

Join :默认情况下它是把行索引相同的数据合并在一起
　　print '使用默认的左连接
',data.join(data1)  #这里可以看出自动屏蔽了data中没有的index=e 那一行的数据
　　print '使用右连接
',data.join(data1,how="right") #这里出自动屏蔽了data1中没有index=c,d的那行数据；等价于data1.join(data)
　　print '使用内连接
',data.join(data1,how='inner')
　　print '使用全外连接
',data.join(data1,how='outer')

Merge:按照指定的列把数据按照一定方式合并在一起
   print "单个列名做为内链接的连接键
",merge(data,data1,on="name",suffixes=('_a','_b'))
　　print "多列名做为内链接的连接键
",merge(data,data2,on=("name","id"))
　　print '不指定on则以两个DataFrame的列名交集做为连接键
',merge(data,data2) #这里使用了id与name
 
　　#使用右边的DataFrame的行索引做为连接键
　　##设置行索引名称
　　indexed_data1=data1.set_index("name")
　　print "使用右边的DataFrame的行索引做为连接键
",merge(data,indexed_data1,left_on='name',right_index=True)
　　print '左外连接
',merge(data,data1,on="name",how="left",suffixes=('_a','_b'))
　　print '左外连接1
',merge(data1,data,on="name",how="left")
　　print '右外连接
',merge(data,data1,on="name",how="right")
　　data3=DataFrame([{"mid":0,"mname":'lxh','cs':10},{"mid":101,"mname":'xiao','cs':40},{"mid":102,"mname":'hua2','cs':50}])
 
　　#当左右两个DataFrame的列名不同，当又想做为连接键时可以使用left_on与right_on来指定连接键
　　print "使用left_on与right_on来指定列名字不同的连接键
",merge(data,data3,left_on=["name","id"],right_on=["mname","mid"])

example :

# coding=utf-8
import numpy as np
import pandas as pd


def merge():
    """
    merge使用
    :return:
    """
    data1 = pd.DataFrame(np.arange(24).reshape(4,6),columns=list("abcdef"))
    data2 = pd.DataFrame(np.arange(24).reshape(4,6),columns=list("avwxyz"))
    data1.iloc[2,0] = 100
    print(data1)
    print(data2)

    #inner连接 ,选取两边都存在的值，即取交集
    print(pd.merge(data1,data2,on=["a","a"]))

    # 右连接，以data2为主表，如果data1表中没有data2对应的数据，则置为NaN
    print(pd.merge(data1,data2,on=["a","a"],how="right"))


    data1 = pd.DataFrame(np.arange(24).reshape(4,6),columns=list("abcdef"))
    data2 = pd.DataFrame(np.arange(24).reshape(4,6),columns=list("qvwxyz"))
    data1.iloc[2,0] = 100
    print(data1)
    print(data2)

    #如果两个表的列名称不对应，则使用left_on 与right_on一起使用，两个必须一起使用，反之，如果列名对应，则使用on
    print(pd.merge(data1,data2,left_on=["a"],right_on=["q"])) #左表以"a"作为连接主键，右表以"q"连接

    return None


def join():
    """
    join使用:行合并
        如果存在相同的列名，则不能使用，只能使用merge
    :return:
    """
    data1 = pd.DataFrame(np.arange(24).reshape(4, 6), columns=list("abcdef"))
    data2 = pd.DataFrame(np.arange(12).reshape(3, 4), columns=list("wxyz"))
    data1.iloc[3,0]=100
    print(data1)
    print(data2)
    print(data1.join(data2)) #直接将两个数据进行行添加
    print(data1.join(data2,how="right")) #以右表为主连接表
    print(data1.join(data2, how="left")) #以左表为主连接表
    return None


def concat():
    """
    concat使用:全连接方式
    :return:
    """
    data1 = pd.DataFrame(np.arange(24).reshape(4, 6), columns=list("abcdef"))
    data2 = pd.DataFrame(np.arange(12).reshape(3, 4), columns=list("wxyz"))
    data1.iloc[3, 0] = 100
    print(data1)
    print(data2)
    frame = [data1,data2]
    print(pd.concat(frame)) #全连接

    print(pd.concat(frame,keys=["h","i"])) #指定行索引

    return None

if __name__ == '__main__':
    #merge()
    #join()
    concat()

5、分组与聚合

grouped = df.groupby(by="columns_name")
grouped是一个DataFrameGroupBy对象，是可迭代的
grouped中的每一个元素是一个元组，元组里面是（索引(分组的值)，分组之后的DataFrame）

　　获取分组之后的某一部分数据：

　　　　df.groupby(by=["Country","State/Province"])["Country"].count()

　　对某几列数据进行分组：

　　　　df["Country"].groupby(by=[df["Country"],df["State/Province"]]).count()

　　分组方式(t1,t2结果一样)：

　　t1 = df[["Country"]].groupby(by=[df["Country"],df["State/Province"]]).count()
　　t2 = df.groupby(by=["Country","State/Province"])[["Country"]].count()

DataFrameGroupBy对象方法：
　　

 6、索引与复合索引

a)简单的索引操作：
    获取index：df.index
    指定index ：df.index = ['x','y']
    重新设置index : df.reindex(list("abcedf"))
    指定某一列作为index ：df.set_index("Country",drop=False)
    返回index的唯一值：df.set_index("Country").index.unique()

b)Series复合索引

　　

　　

　　c)DataFrame复合索引