文章最前: 我是Octopus,这个名字来源于我的中文名--章鱼;我热爱编程、热爱算法、热爱开源。所有源码在我的个人github ;这博客是记录我学习的点点滴滴,如果您对 Python、Java、AI、算法有兴趣,可以关注我的动态,一起学习,共同进步。
一.缺失值处理
#示例数据
df = pd.read_csv("pokemon_data.csv",encoding="gbk")
#查看数据前十行
df.head(10)
1.判断缺失值
判断数据表所有数据中的缺失值
df.isnull()
判断数据表某一列的缺失值
df["类型2"].isnull()
#查看类型2这一列的非缺失值和缺失值的数量分布
df["类型2"].isnull().value_counts()
2.删除缺失值
删除掉含有缺失值的所有行
df.dropna()
df.dropna(how="any")
删除满足行内数据均为NaN这个条件的行
df.dropna(how="all")
创建一个4行3列的含有NaN的数据作为演示
df1 = pd.DataFrame([[1,5,np.nan],[2,np.nan,np.nan],[2,3,np.nan],[np.nan,np.nan,np.nan]])
df1
0 | 1 | 2 | |
---|---|---|---|
0 | 1.0 | 5.0 | NaN |
1 | 2.0 | NaN | NaN |
2 | 2.0 | 3.0 | NaN |
3 | NaN | NaN | NaN |
how="all"能删除掉均为NaN的行
df1.dropna(how="all")
0 | 1 | 2 | |
---|---|---|---|
0 | 1.0 | 5.0 | NaN |
1 | 2.0 | NaN | NaN |
2 | 2.0 | 3.0 | NaN |
删除满足列内数据均为NaN这个条件的列,按列删除
df1.dropna(how="all",axis=1,inplace=True)
df1
3.填充缺失值
填充指定值
df1.fillna(value=0)
填充函数
df1[1].fillna(df1[1].mean())
向前填充
df1[1].fillna(method="ffill")
向后填充
df1[1].fillna(method="bfill")
二.清除空格
创建含有空格的示例数据
dict1 = {"name":["小红","小明","小张"],"age":[16,17,18],"city":["北京 ","杭州"," 上海 "]}
df2 = pd.DataFrame(dict1,columns=["name","age","city"])
查看含有空格的数据
df2.to_csv("2.csv")
清除空格
df2["city"] = df2["city"].map(str.strip)
查看清除后的数据表
df2.to_csv("df2.csv")
3.转换数据格式
将年龄列数据转换成字符串格式
df2["age"] = df2["age"].astype("str")
df2.dtypes
将年龄列数据转换成浮点数格式
df2["age"] = df2["age"].astype("float")
将年龄列数据转换成整数格式
df2["age"] = df2["age"].astype("int")
4.大小写转换
df2["city"] = ["beijing","hangzhou","shanghai"]
df2
转换成大写
df2["city"] = df2["city"].str.upper()
df2
转换成小写
df2["city"] = df2["city"].str.lower()
df2
转换成首字母大写
df2["city"] = df2["city"].str.title()
df2
5.更改列名
通过rename函数修改部分列名或者所有列名,并默认返回一个新的数据框,若需要在原基础上修改,添加参数inplace=True即可
df2.rename(columns={"name":"name2","age":"age2"})
通过columns属性修改列名,这种方式就需要输入所有的列名了,并直接在原基础上修改
df2.columns = ["n","a","c"]
6.更改索引与重置索引
df.head(10)
更改索引
#将类型1这列作为索引
df3 = df.set_index("类型1")
df3
重置索引
df4 = df3.reset_index()
df4
7.重复值处理
df5 = pd.DataFrame({"c1":["apple"]*3 + ["banana"]*3,"c2":[1,1,2,3,3,2]})
df5
查看是否有重复值
#适合小数据目测
df5.duplicated(subset=["c1","c2"],keep="first")
#当数据量比较大的时候,可以看看重复数据和非重复数据的计数分布
df5_duplicated = df5.duplicated(subset=["c1","c2"],keep="first")
df5_duplicated.value_counts()
保留重复值
df5[df5.duplicated(subset=["c1","c2"],keep="first")]
删除重复值
(1)默认保留第一个出现的重复值,删除掉后面的重复值
df5.drop_duplicates(subset=["c1","c2"],keep="first")
(2)保留最后一个重复值,删除掉前面的重复值
df5.drop_duplicates(subset=["c1","c2"],keep="last")
(3)如果希望直接在原基础上修改,添加参数inplace=True
df5.drop_duplicates(subset=["c1","c2"],keep="last",inplace=True)
df5
8.替换值
忽略警告的做法
import warnings
warnings.filterwarnings("ignore")
df6 = df.head(10)
df6
df6["类型1"] = df6["类型1"].replace("Grass","G")
df6
多个对象替换单个值
df6["类型1"] = df6["类型1"].replace(["G","Fire"],"gf")
df6
用不同的值替换不同的对象
df6["类型1"] = df6["类型1"].replace(["gf","Water"],["good","W"])
df6
参数也可以是字典
df6["类型1"] = df6["类型1"].replace({"good":"gg","W":"ww"})
df6