python 資料清洗之資料合併、轉換、過濾、排序

前面我們用pandas做了一些基本的操作，接下來進一步了解資料的操作，

資料清洗一直是資料分析中極為重要的一個環節。

資料合併

在pandas中可以透過merge對資料進行合併操作。

import numpy as np
import pandas as pd
data1 = pd.DataFrame({'level':['a','b','c','d'],
         'numeber':[1,3,5,7]})

data2=pd.DataFrame({'level':['a','b','c','e'],
         'numeber':[2,3,6,10]})
print(data1)

結果為：

print(data2)

：

可以看到data1和data2中用於相同標籤的欄位顯示，而其他欄位則被捨棄，這相當於SQL中做inner join連線操作。

此外還有outer,ringt,left等連接方式，用關鍵字how的進行表示。

print(pd.merge(data1,data2))

結果為：

兩個資料框中如果列名不同的情況下，我們可以透過指定letf_on 和right_ononon兩個資料框連接在一起兩個🜎

結果為：

其他詳細參數說明

重疊數據合併

重疊數據合併3個

重疊數據合併時需要進行重疊數據。

data3 = pd.DataFrame({'level1':['a','b','c','d'],
         'numeber1':[1,3,5,7]})
data4=pd.DataFrame({'level2':['a','b','c','e'],
         'numeber2':[2,3,6,10]})
print(pd.merge(data3,data4,left_on='level1',right_on='level2'))

結果為：

可以看到相同標籤下的內容優先顯示data3的內容，如果一個資料框中的某一個資料框是缺失的，此時另外一個資料框中的元素就會補上

這裡的用法類似於np.where(isnull(a),b,a)

資料重塑和軸向旋轉

這個內容我們在上一篇pandas文章有提到過。資料重塑主要使用reshape函數，旋轉主要使用unstack和stack兩個函數。

print(pd.merge(data3,data4,left_on='level1',right_on='level2',how='left'))

結果為：

data3 = pd.DataFrame({'level':['a','b','c','d'],
         'numeber1':[1,3,5,np.nan]})
 data4=pd.DataFrame({'level':['a','b','c','e'],
         'numeber2':[2,np.nan,6,10]})
 print(data3.combine_first(data4))

數據

data=pd.DataFrame(np.arange(12).reshape(3,4),
       columns=['a','b','c','d'],
       index=['wang','li','zhang'])
print(data)

結果為：

print(data.unstack())

結果為：

可以看出第三行是重複第二行的數據所以，顯示結果為第三行的數據

另外用drop_duplicates方法可以去除重复行

print(data.drop_duplicates())

结果为：

替换值

除了使用我们上一篇文章中提到的fillna的方法外，还可以用replace方法，而且更简单快捷

data=pd.DataFrame({'a':[1,3,3,4],
       'b':[1,3,3,5]})
print(data.replace(1,2))

结果为：

多个数据一起换

print(data.replace([1,4],np.nan))

数据分段

data=[11,15,18,20,25,26,27,24]
bins=[15,20,25]
print(data)
print(pd.cut(data,bins))

结果为：
[11, 15, 18, 20, 25, 26, 27, 24][NaN, NaN, (15, 20], (15, 20], (20, 25], NaN, NaN, (20, 25]]
Categories (2, object): [(15, 20] < (20, 25]]

可以看出分段后的结果，不在分段内的数据显示为na值，其他则显示数据所在的分段。

print(pd.cut(data,bins).labels)

结果为：

[-1 -1 0 0 1 -1 -1 1]

显示所在分段排序标签

print(pd.cut(data,bins).levels)

结果为：

Index([‘(15, 20]', ‘(20, 25]'], dtype='object')

显示所以分段标签

print(value_counts(pd.cut(data,bins)))

结果为：

显示每个分段值得个数

此外还有一个qcut的函数可以对数据进行4分位切割，用法和cut类似。

排列和采样

我们知道排序的方法有好几个，比如sort，order，rank等函数都能对数据进行排序
现在要说的这个是对数据进行随机排序（permutation）

data=np.random.permutation(5)
print(data)

结果为：

[1 0 4 2 3]

这里的peemutation函数对0-4的数据进行随机排序的结果。
也可以对数据进行采样

df=pd.DataFrame(np.arange(12).reshape(4,3))
samp=np.random.permutation(3)
print(df)

结果为：

print(samp)

结果为：
[1 0 2]

print(df.take(samp))

结果为：

这里使用take的结果是，按照samp的顺序从df中提取样本。

更多python 数据清洗之数据合并、转换、过滤、排序相关文章请关注PHP中文网！