python數據分析-看了這篇文章，數據清洗你也就完全掌握了

所有做數據分析的前提就是：你得有數據，而且已經經過清洗，整理成需要的格式。

不管你從哪裡獲取了數據，你都需要認真仔細觀察你的數據，對不合規的數據進行清理，雖然不是說一定要有這個步驟，但是這是一個好習慣，因為保不齊後面分析的時候發現之前因為沒有對數據進行整理，而導致統計的數據有問題，今天小編就把平時用的數據清洗的技巧進行一個梳理，裡面可能很多你都懂，那就當溫習了吧！

文章大綱：

1. 如何更有效的導入你的數據
2. 全面的觀察數據
3. 設置索引
4. 設置標籤
5. 處理缺失值
6. 刪除重複項
7. 數據類型轉換
8. 篩選數據
9. 數據排序
10. 處理文本
11. 合併&匹配

---

導入數據：

pd.read_excel("aa.xlsx")
pd.read_csv("aa.xlsx")
pd.read_clipboard

如何有效的導入數據：

1、限定導入的行，如果數據很大，初期只是為了查看數據，可以先導入一小部分：

pd.read_csv("aaa.csv",nrows=1000)
pd.read_excel("aa.xlsx",nrows=1000)

2、如果你知道需要那些列，而且知道標籤名，可以只導入需要的數據：

pd.read_csv("aaa.csv",usecols=["A","B"])
pd.read_excel("aa.xlsx",usecols=["A","B"])

3、關於列標籤，如果沒有，或者需要重新設定：

pd.read_excel("aa.xlsx",header=None)#不需要原來的索引，會默認分配索引：0，1，2
pd.read_excel("aa.xlsx",header=1)#設置第二行為列標籤
pd.read_excel("aa.xlsx",header=[1,2])#多級索引
pd.read_csv("aaa.csv",header=None)
pd.read_csv("aaa.csv",header=1)
pd.read_csv("aaa.csv",header=[1,2])

4、設置索引列，如果你可以提供一個更有利於數據分析的索引列，否則分配默認的0，1，2：

pd.read_csv("aaa.csv",index_col=1)
pd.read_excel("aa.xlsx",index_col=2)

5、設置數值類型，這一步很重要，涉及到後期數據計算，也可以後期設置：

pd.read_csv("aaa.csv",converters = {'排名': str, '場次': float})
data = pd.read_excel(io, sheet_name = 'converters', converters = {'排名': str, '場次': float})

全面的查看數據：

查看前幾行：

data.head()

查看末尾幾行：

查看數據維度：

data.shape
(16281, 7)

查看DataFrame的數據類型

df.dtypes

查看DataFrame的索引

df.index

查看DataFrame的列索引

df.columns

查看DataFrame的值

df.values

查看DataFrame的描述

df.describe()

某一列格式：

df['B'].dtype

設置索引和標籤：

有時我們經常需要重新設置索引列，或者需要重新設置列標籤名字：

重新設置列標籤名：

df.rename(columns={"A": "a", "B": "c"})
df.rename(index={0: "x", 1: "y", 2: "z"})

重新設置索引：

df.set_index('month')

重新修改行列範圍：

df.reindex(['http_status', 'user_agent'], axis="columns")
new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', 'Chrome'] 

df.reindex(new_index)

取消原有索引：

df.reset_index()

處理缺失值和重複項：

判斷是否有NA：df.isnull().any()

填充NA：

pf.fillna(0)

刪除含有NA的行：

rs=df.dropna(axis=0)

刪除含有NA的列：

rs=df.dropna(axis=1)

刪除某列的重複值：

a= frame.drop_duplicates(subset=['pop'],keep='last')

數據類型轉換：

df.dtypes：查看數值類型

1. astype()強制轉化數據類型

2. 通過創建自定義的函數進行數據轉化

3. pandas提供的to_nueric()以及to_datetime()

df["Active"].astype("bool")
df['2016'].astype('float')
df["2016"].apply(lambda x: x.replace(",","").replace("$","")).astype("float64")
df["Percent Growth"].apply(lambda x: x.replace("%","")).astype("float")/100
pd.to_numeric(df["Jan Units"],errors='coerce').fillna(0)
pd.to_datetime(df[['Month', 'Day', 'Year']])

篩選數據：

1、按索引提取單行的數值

df_inner.loc[3]

2、按索引提取區域行數值

df_inner.iloc[0:5]

5、提取4日之前的所有數據

df_inner[:’2013-01-04’]
 

6、使用iloc按位置區域提取數據

df_inner.iloc[:3,:2] #冒號前後的數字不再是索引的標籤名稱，而是數據所在的位置，從0開始，前三行，前兩列。

7、適應iloc按位置單獨提起數據

df_inner.iloc[[0,2,5],[4,5]] #提取第0、2、5行，4、5列

8、使用ix按索引標籤和位置混合提取數據

df_inner.ix[:’2013-01-03’,:4] #2013-01-03號之前，前四列數據

9、使用loc提取行和列

df_inner.loc(2:10,"A":"Z")

10、判斷city列裡是否包含beijing和shanghai，然後將符合條件的數據提取出來

df_inner[‘city’].isin([‘beijing’])
df_inner.loc[df_inner[‘city’].isin([‘beijing’,’shanghai’])]

11、提取前三個字符，並生成數據表

pd.DataFrame(category.str[:3])

12、使用“與”進行篩選

df_inner.loc[(df_inner[‘age’] > 25) & (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]]

13、使用“或”進行篩選

df_inner.loc[(df_inner[‘age’] > 25) | (df_inner[‘city’] == ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘age’])

14、使用“非”條件進行篩選

df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’])

15、對篩選後的數據按city列進行計數

df_inner.loc[(df_inner[‘city’] != ‘beijing’), [‘id’,’city’,’age’,’category’,’gender’]].sort([‘id’]).city.count()

16、使用query函數進行篩選

df_inner.query(‘city == [“beijing”, “shanghai”]’)

17、對篩選後的結果按prince進行求和

df_inner.query(‘city == [“beijing”, “shanghai”]’).price.sum()

數據排序

按照特定列的值排序：

df_inner.sort_values(by=[‘age’])

按照索引列排序：

df_inner.sort_index()

升序

df_inner.sort_values(by=[‘age’],ascending=True)

降序

df_inner.sort_values(by=[‘age’],ascending=False)

合併匹配：

merge

1.result = pd.merge(left, right, on='key')
2.result = pd.merge(left, right, on=['key1', 'key2'])
3.result = pd.merge(left, right, how='left', on=['key1', 'key2'])
4.result = pd.merge(left, right, how='right', on=['key1', 'key2']) 

5.result = pd.merge(left, right, how='outer', on=['key1', 'key2'])

2、append

1.result = df1.append(df2)
2.result = df1.append(df4)
3.result = df1.append([df2, df3])
4.result = df1.append(df4, ignore_index=True)

4、join

left.join(right, on=key_or_keys)

1.result = left.join(right, on='key')
2.result = left.join(right, on=['key1', 'key2'])
3.result = left.join(right, on=['key1', 'key2'], how='inner')

5、concat

1.result = pd.concat([df1, df4], axis=1)
2.result = pd.concat([df1, df4], axis=1, join='inner')
3.result = pd.concat([df1, df4], axis=1, join_axes=[df1.index])
4.result = pd.concat([df1, df4], ignore_index=True)

文本處理：

1. lower()函數示例

s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveMinsu'])
s.str.lower()

2. upper()函數示例

s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveMinsu'])
s.str.upper()

3. len()計數

s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t', np.nan, '1234','SteveMinsu'])
s.str.len()

4. strip()去除空格

 s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
 s.str.strip()

5. split(pattern)切分字符串

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
s.str.split(' ')

6. cat(sep=pattern)合併字符串

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
s.str.cat(sep=' <=> ')
執行上面示例代碼，得到以下結果 -
Tom <=> William Rick <=> John <=> Alber@t

7. get_dummies()用sep拆分每個字符串，返回一個虛擬/指示dataFrame

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
s.str.get_dummies()
 

8. contains()判斷字符串中是否包含子串true; pat str或正則表達式

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
s.str.contains(' ')

9. replace(a,b)將值pat替換為值b。

 s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
s.str.replace('@','$')

10. repeat(value)重複每個元素指定的次數

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
s.str.repeat(2)

執行上面示例代碼，得到以下結果 -

0 Tom Tom

1 William Rick William Rick

2 JohnJohn

3 Alber@tAlber@t

11. count(pattern)子串出現次數

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("The number of 'm's in each string:")
print (s.str.count('m'))

執行上面示例代碼，得到以下結果 -

The number of 'm's in each string:

0 1

1 1

2 0

3 0

12. startswith(pattern)字符串開頭是否匹配子串True

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("Strings that start with 'T':")
print (s.str. startswith ('T'))

執行上面示例代碼，得到以下結果 -

Strings that start with 'T':

0 True

1 False

2 False

3 False

13. endswith(pattern)字符串結尾是否是特定子串 true

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print ("Strings that end with 't':")
print (s.str.endswith('t'))

執行上面示例代碼，得到以下結果 -

Strings that end with 't':

0 False

1 False

2 False

3 True

14. find(pattern)查子串首索引，子串包含在[start：end]；無返回-1

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print (s.str.find('e'))

執行上面示例代碼，得到以下結果 -

0 -1

1 -1

2 -1

3 3

注意：-1表示元素中沒有這樣的模式可用。

15. findall(pattern)查找所有符合正則表達式的字符，以數組形式返回

s = pd.Series(['Tom ', ' William Rick', 'John', 'Alber@t'])
print (s.str.findall('e'))

執行上面示例代碼，得到以下結果 -

0 []

1 []

2 []

3 [e]

空列表([])表示元素中沒有這樣的模式可用。

16. swapcase()變換字母大小寫，大變小，小變大

s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
s.str.swapcase()

執行上面示例代碼，得到以下結果 -

0 tOM

1 wILLIAM rICK

2 jOHN

3 aLBER

17. islower()檢查是否都是大寫

s = pd.Series(['Tom', 'William Rick', 'John', 'Alber@t'])
s.str.islower()

18. isupper()檢查是否都是大寫

s = pd.Series(['TOM', 'William Rick', 'John', 'Alber@t'])
s.str.isupper()

19. isnumeric()檢查是否都是數字

s = pd.Series(['Tom', '1199','William Rick', 'John', 'Alber@t'])
s.str.isnumeric()