数据分析入门——pandas数据处理

1，处理重复数据

　　使用duplicated检测重复的行，返回一个series，如果不是第一次出现，也就是有重复行的时候，则为True：

　　

　　对应的，可以使用drop_duplicates来删除重复的行：

　　

　　以上两个方法，都不能有重复的列！

 2.map函数：列处理

　　map() 是一个Series的函数，DataFrame结构中没有map()。map()将一个自定义函数应用于Series结构中的每个元素(elements)。

　　传入一个拉姆达表达式：

　　

 　　可以通过不存在的列名，利用map映射新增一列：（当然，此处map传入的可以是自定义函数，但不能是类似sum这样的UDTF聚合函数，而必须是UDF函数）

　　

　　其他与apply、applymap等的区别，参考：https://blog.csdn.net/maymay_/article/details/80229053

3.rename函数：替换索引

　　使用renname函数替换行索引：（列索引通过columns控制同理，使用一个dict进行映射，包含映射的将会进行映射！）

　　

　　更加简单粗暴的方法可以直接通过df.index = 赋值操作来进行！

4.异常值检测和过滤

　　 通过describe查看统计性数值：count——数据量有几个数，mean是平均值，std表示标准差（波动），min/max最小/最大值，中间百分比则是取最小最大值之间的25%、50%等的值

　　

　　通过std求每一列的标准差：（可以通过axis来控制轴）

　　

　　通过标准差，借助any()函数（any函数一真即真，有一个True则返回True）来实现过滤

　　例如检测大于两倍标准差的：（这里通过控制轴，来取得每个同学而不是每个科目的过滤值）

　　

 　　顺势，就可以过滤数据了：（通过boolean提取数据，参考：https://www.jianshu.com/p/b1be2eccd029）

　　

5.排序抽样——take函数

　　利用随机生成的顺序，结合take取数据：

　　

　　使用random.randint可以实现随机抽样的效果

6.数据聚合（重点）

　　数据聚合通常是数据处理的最后一步，一般是要使每个数组产生唯一的值：

　　通常分类涉及到的是：分组—>函数处理——>合并

　　使用groupby分组：

　　

　　打印发现是一个GroupBy的对象，使用groups属性，可以查看分成了哪几个组：

　　　　GroupBy对象的更多操作，参考：https://www.jianshu.com/p/42f1d2909bb6

　　

　　可以通过筛选的方式，快速求出平均值等操作：（返回的是一个Series）

　　

　　通过merge，可以整合平均值到原df中去：

　　

　　通过其他列分组，同理：（如果不选择列，则会对所有能操作的列进行操作，返回一个df结果）

　　

　　多列分组，同理：

　　

 7.高级数据聚合

　　可以通过transform和apply实现相同功能，并且，apply可以传入一个匿名函数

　　apply和map的区别，参考：https://blog.csdn.net/weixin_39791387/article/details/81487549

　　　　　　　　　　　　　　https://www.jianshu.com/p/c384ac86c4a6

　　

map() 方法是pandas.series.map()方法, 对DF中的元素级别的操作, 可以对df的某列或某多列, 可以参考文档
apply(func) 是DF的属性, 对DF中的行数据或列数据应用func操作.
applymap(func) 也是DF的属性, 对整个DF所有元素应用func操作

————————————————
版权声明：本文为CSDN博主「诸葛老刘」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_39791387/article/details/81487549