python数据分析

数据整理与预处理
– 数据清洗
– 合并数据集
– 数据转换
– 重塑和轴向旋转
– 字符串操作

====================================================

一、数据清洗

　　缺失值处理

　　　　删除记录

　　　　数据插补

　　　　　　拉格朗日插值法，牛顿插值法，均值，中位数，固定值，回归法等

　　　　不处理

　　异常值处理

****************************************************************************

拉格朗日插值法

# 环境设置

# -*- coding: utf-8 -*-
from __future__ import division
import numpy as np
import os
import matplotlib.pyplot as plt
from scipy.interpolate import lagrange #导入拉格朗日插值函数
np.random.seed(12345)
plt.rc('figure', figsize=(10, 6))
from pandas import Series, DataFrame
import pandas as pd
np.set_printoptions(precision=4, threshold=500)
pd.options.display.max_rows = 100

###缺失值处理——拉格朗日插值法
inputfile = 'C:/python/socket/data/catering_sale.xls' #销量数据路径
outputfile = 'C:/python/socket/data/sales.xls' #输出数据路径

data = pd.read_excel(inputfile) #读入数据
data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None

#自定义列向量插值函数
#s为列向量，n为被插值的位置，k为取前后的数据个数，默认为5
def ployinterp_column(s, n, k=5):
　　y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取数
　　y = y[y.notnull()] #剔除空值
　　return lagrange(y.index, list(y))(n) #插值并返回插值结果

#逐个元素判断是否需要插值
for i in data.columns:
　　for j in range(len(data)):
　　　　if (data[i].isnull())[j]: #如果为空即插值。
　　　　　　data[i][j] = ployinterp_column(data[i], j)

data.to_excel(outputfile) #输出结果，写入文件

************************************************************************

二、合并数据集

pandas对象

　　merge方法：根据一个或者多个键将不同的dataframe中的行合并，同关系型数据库的join操作

　　cancat方法：沿一条轴将多个对象堆叠起来，类似数据库的union操作

数据库风格的dataframe合并

　　merge

　　merge参数：left、right、how、on

索引上的合并

轴向连接

#1.inner join

(1)键值一样
df1 = DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],'data1': range(7)})
df2 = DataFrame({'key': ['a', 'b', 'd'],'data2': range(3)})

pd.merge(df1, df2)
pd.merge(df1, df2, on='key')

(2)指定键值
df3 = DataFrame({'lkey': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],'data1': range(7)})
df4 = DataFrame({'rkey': ['a', 'b', 'd'],'data2': range(3)})
pd.merge(df3, df4, left_on='lkey', right_on='rkey')

2.外链接

(1)全外连接

pd.merge(df1, df2, how='outer')

(2)左连接

pd.merge(df1, df2, on='key', how='left')

###索引上的合并
#类似key
left1 = DataFrame({'key': ['a', 'b', 'a', 'a', 'b', 'c'],'value': range(6)})
right1 = DataFrame({'group_val': [3.5, 7]}, index=['a', 'b'])

轴向连接

arr = np.arange(12).reshape((3, 4))
np.concatenate([arr, arr], axis=1)

合并重叠数据

重塑和轴向旋转

数据转换

　　移除重复数据

　　利用函数或映射进行数据转换

　　替换

　　重命名轴索引