python数据分析-看了这篇文章，数据清洗你也就完全掌握了

所有做数据分析的前提就是：你得有数据，而且已经经过清洗，整理成需要的格式。

不管你从哪里获取了数据，你都需要认真仔细观察你的数据，对不合规的数据进行清理，虽然不是说一定要有这个步骤，但是这是一个好习惯，因为保不齐后面分析的时候发现之前因为没有对数据进行整理，而导致统计的数据有问题，今天小编就把平时用的数据清洗的技巧进行一个梳理，里面可能很多你都懂，那就当温习了吧！

文章大纲：

1. 如何更有效的导入你的数据
2. 全面的观察数据
3. 设置索引
4. 设置标签
5. 处理缺失值
6. 删除重复项
7. 数据类型转换
8. 筛选数据
9. 数据排序
10. 处理文本
11. 合并&匹配

---

导入数据：

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

如何有效的导入数据：

1、限定导入的行，如果数据很大，初期只是为了查看数据，可以先导入一小部分：

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，而且知道标签名，可以只导入需要的数据：

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

3、关于列标签，如果没有，或者需要重新设定：

pd.read_excel("aa.xlsx",header=None)#不需要原来的索引，会默认分配索引：0，1，2
pd.read_excel("aa.xlsx",header=1)#设置第二行为列标签
pd.read_excel("aa.xlsx",header=[1,2])#多级索引
pd.read_csv("aaa.csv",header=None)
pd.read_csv("aaa.csv",header=1)
pd.read_csv("aaa.csv",header=[1,2])

4、设置索引列，如果你可以提供一个更有利于数据分析的索引列，否则分配默认的0，1，2：

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

5、设置数值类型，这一步很重要，涉及到后期数据计算，也可以后期设置：

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

全面的查看数据：

查看前几行：

data.head()

查看末尾几行：

查看数据维度：

data.shape
(16281, 7)

查看DataFrame的数据类型

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

设置索引和标签：

有时我们经常需要重新设置索引列，或者需要重新设置列标签名字：

重新设置列标签名：

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

重新设置索引：

df.set_index('month')

重新修改行列范围：

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()

处理缺失值和重复项：

判断是否有NA：df.isnull().any()

填充NA：

pf.fillna(0)

删除含有NA的行：

rs=df.dropna(axis=0)

删除含有NA的列：

rs=df.dropna(axis=1)

删除某列的重复值：

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

数据类型转换：

df.dtypes：查看数值类型

1. astype()强制转化数据类型

2. 通过创建自定义的函数进行数据转化

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']])

筛选数据：

1、按索引提取单行的数值

df_inner.loc[3]

2、按索引提取区域行数值

df_inner.iloc[0:5]

5、提取4日之前的所有数据

df_inner[:’2013-01-04’]
 

6、使用iloc按位置区域提取数据

df_inner.iloc[:3,:2] #冒号前后的数字不再是索引的标签名称，而是数据所在的位置，从0开始，前三行，前两列。

7、适应iloc按位置单独提起数据

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

8、使用ix按索引标签和位置混合提取数据

df_inner.ix[:’2013-01-03’,:4] #2013-01-03号之前，前四列数据

9、使用loc提取行和列

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

10、判断city列里是否包含beijing和shanghai，然后将符合条件的数据提取出来

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

11、提取前三个字符，并生成数据表

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

12、使用“与”进行筛选

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

13、使用“或”进行筛选

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

14、使用“非”条件进行筛选

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

15、对筛选后的数据按city列进行计数

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

16、使用query函数进行筛选

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

17、对筛选后的结果按prince进行求和

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

数据排序

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)

合并匹配：

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)

文本处理：

1. lower()函数示例

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

2. upper()函数示例

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

3. len()计数

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)合并字符串

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

7. get_dummies()用sep拆分每个字符串，返回一个虚拟/指示dataFrame

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

8. contains()判断字符串中是否包含子串true; pat str或正则表达式

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

9. replace(a,b)将值pat替换为值b。

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

10. repeat(value)重复每个元素指定的次数

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

执行上面示例代码，得到以下结果 -

0 Tom Tom

1 William Rick William Rick

2 JohnJohn

3 Alber@tAlber@t

11. count(pattern)子串出现次数

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

执行上面示例代码，得到以下结果 -

The number of 'm's in each string:

0 1

1 1

2 0

3 0

12. startswith(pattern)字符串开头是否匹配子串True

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

执行上面示例代码，得到以下结果 -

Strings that start with 'T':

0 True

1 False

2 False

3 False

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

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

执行上面示例代码，得到以下结果 -

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]；无返回-1

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

执行上面示例代码，得到以下结果 -

0 -1

1 -1

2 -1

3 3

注意：-1表示元素中没有这样的模式可用。

15. findall(pattern)查找所有符合正则表达式的字符，以数组形式返回

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

执行上面示例代码，得到以下结果 -

0 []

1 []

2 []

3 [e]

空列表([])表示元素中没有这样的模式可用。

16. swapcase()变换字母大小写，大变小，小变大

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

执行上面示例代码，得到以下结果 -

0 tOM

1 wILLIAM rICK

2 jOHN

3 aLBER

17. islower()检查是否都是大写

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

18. isupper()检查是否都是大写

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

19. isnumeric()检查是否都是数字

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