数据清洗之数据表处理 筛选 增删查改 整理 层次化索引
数据清洗之数据表处理
1. 数据常用筛选方法
In [ ]:
import pandas as pd
import numpy as np
In [ ]:
import os
# 更改文件路劲
os.chdir('F:\CSDN\课程内容\代码和数据')
In [ ]:
df = pd.read_csv('baby_trade_history.csv', encoding='utf-8',dtype={'user_id':str})
数据筛选
- 查看数据
In [ ]:
df.info()
In [ ]:
df.head(5) #查看前5行
In [ ]:
df.tail(5) #查看后5行
In [ ]:
df.columns #查看变量名称（列）
- 简单索引
In [ ]:
df['user_id']
In [ ]:
df['user_id'][1:5]# 第二行到第五行
In [ ]:
# 多个变量选择
df[['user_id','buy_mount','day']][:5]
- loc和iloc 的使用
In [ ]:行
df.loc[3:4]# 选择行索引标签
In [ ]:列
df.loc[:,['user_id','buy_mount']]#选择某两列
In [ ]:行&列
df.loc[1:3,['user_id','buy_mount']] #loc在这里选择的是行索引标签
In [ ]:满足一个条件下某些列的值
df.loc[df.user_id =='786295544',['user_id','buy_mount','day']]
In [ ]:满足多个条件下某些列的值
df.loc[(df.user_id =='786295544') | (df.user_id =='444069173'),['user_id','buy_mount','day']]# 多个条件选择
In [ ]:
#注意loc是标签
#注意iloc是位置
In [ ]:
df.iloc[:,1:4] #按照位置来选择第二列到第四列
In [ ]:
df.iloc[:,[0,2]] # 按照位置来选择第1列和第3列
In [ ]:用[1,2]来表示选取单独的某几列
df.iloc[3,[1,2]] #选择第4行，第2列和第3列数据, 这里的3代表的不是索引标签而是位置
In [ ]:
df.iloc[2:7,[1,2]] #选择第3行到第7行，第2列和第3列数据
- 注意loc和iloc的区别
In [ ]:行标签2～7的行
df.loc[2:7]
In [ ]:位置，第2～7行
df.iloc[2:7]
2.数据增加和删除
- 增加一列
In [ ]:
#增加一列,购买量,购买量超过3的为高，低于3的为底
In [ ]:
df['购买量'] = np.where(df['buy_mount'] >3,'高','低')
In [ ]:
df
In [ ]:
# 增加行在dataframe中不常用，后面会用其他方法实现
# 可以使用append方法在 dataframe末尾实现
- 可以使用insert方法
- df.insert(位置,变量名称，值)
- 将auction_id取出来，放在一列
In [ ]:
# 先将这一列取出来，赋值给对象auction_id,然后在数据中删除这一列，再将其添加进去
In [ ]:先找到
auction_id = df['auction_id']
In [ ]:删除原来的它
del df['auction_id']
In [ ]:在新的位置（这里是第一列）插入它
df.insert(0, 'auction_id', auction_id)
In [ ]:
df.head(5)
- 删除
In [ ]:
# 删除这两列,加inplace代表是否在原数据上操作,1代表沿着列的方向
# 同时删除多个变量，需要以列表的形式
# 注意inplace =True,代表是否对原数据操作, 否则返回的是视图，并没有对原数据进行操作
In [ ]:
# labels表示删除的数据, axis表示作用轴，inplace=True表示是否对原数据生效,
# axis=0按行操作, axis=1按列操作
In [ ]:
axis = 0 对行
axis = 1 对列
df.drop(labels = ['property', '购买量'],axis = 1,inplace=True) #删除这两列,加inplace代表是否在原数据上操作, 1代表沿着列的方向
In [ ]:
# 按行删除法
In [ ]:
df.drop(labels = [3,4],inplace = True,axis= 0) # 删除索引标签3和4对应的行
In [ ]:
df.drop(labels= range(6,11),axis=0,inplace=True) #删除索引名称1到10,注意range迭代器产生的是1到10
In [ ]:
# 查看
df
3. 数据修改和查找
In [ ]:
df1 = pd.read_csv('sam_tianchi_mum_baby.csv',encoding = 'utf-8',dtype =str)
In [ ]:
df1.head(5)
In [ ]:
# 将gender为0的改为女性，1改为男性，2改为未知
In [ ]:
df1.loc[df['gender'] =='0','gender'] ='女性'
In [ ]:
df1.loc[df['gender'] =='1','gender'] ='男性'
In [ ]:
df1.loc[df['gender'] =='2','gender'] ='未知'
In [ ]:
df1.head(10)
- 修改列名称
- basic.rename(columns={},index={})
In [ ]:
# 修改列标签和行索引名称
df1.rename(columns = {'user_id':'用户ID','birthday':'出生日期','gender':'性别'},inplace = True)
In [ ]:
df1.rename(index = {1:'one',10:'ten' },inplace = True) #修改行索引名称
In [ ]:
df1.reset_index(drop=True,inplace=True)# 重置索引，变回0123456……
In [ ]:
df1.head(10)
- 查询
In [ ]:
# 条件查询
df[df.buy_mount > 3] #性别等于未知
In [ ]:
df[~(df.buy_mount > 3)] # ~代表非，取相反条件的
In [ ]:
df[ (df.buy_mount > 3) & (df.day > 20140101)] # 多条件查询
In [ ]:
#使用between,。 inclusive=True代表包含（闭区间）
df[ df['buy_mount'].between(4,10,inclusive=True)]
In [ ]:
# 使用pd.isin()方法
# 包含后面这几个数的'auction_id'的数据
df[df['auction_id'].isin([41098319944, 17916191097,21896936223])]
4 数据整理
- 横向堆叠在数据清洗中不常用，纵向堆叠可以理解为把不同的表,字段名称一样。整合在一起
In [ ]:
import xlrd
workbook = xlrd.open_workbook('meal_order_detail.xlsx')
sheet_name = workbook.sheet_names() #返回所有sheet的列表
In [ ]:
sheet_name
In [ ]:
order1 = pd.read_excel('meal_order_detail.xlsx',sheet_name ='meal_order_detail1')
In [ ]:
order2 = pd.read_excel('meal_order_detail.xlsx',sheet_name ='meal_order_detail2')
In [ ]:
order3 = pd.read_excel('meal_order_detail.xlsx',sheet_name ='meal_order_detail3')
In [ ]:枞向合并
order = pd.concat([order1,order2,order3],axis=0,ignore_index=False)# 忽略原来的索引，这样就不会覆盖了
In [ ]:
order1.shape
In [ ]:
# 通过循环方式进行合并
In [ ]:
basic = pd.DataFrame()
for i in sheet_name:
basic_i = pd.read_excel('meal_order_detail.xlsx', header = 0,sheet_name=i,encoding='utf-8')
basic = pd.concat([basic,basic_i],axis=0,ignore_index=False)
In [ ]:
basic.shape
- 关联
- 关联字段必须类型一致
In [ ]:
df = pd.read_csv('baby_trade_history.csv', encoding='utf-8',dtype={'user_id':str})# 交易数据
df1 = pd.read_csv('sam_tianchi_mum_baby.csv',encoding = 'utf-8',dtype =str)#婴儿信息
In [ ]:关联
df2 = pd.merge(left = df, right=df1, how='inner', left_on='user_id', right_on = 'user_id') #how='inner'内连接
In [ ]:
df2.head(10)
5 层次化索引
In [ ]:
df = pd.read_csv('baby_trade_history.csv', encoding='utf-8',dtype={'user_id':str},index_col=[3,0])
#index_col=[3,0]将数据第4列和第1列当成索引
#dtype={'user_id':str}改变数据类型
In [ ]:
df.loc[28] #第一层引用
In [ ]:
df.loc[28].loc[[82830661,532110457]]#第二层引用
- 直接引用两层
- df3.loc[(a,b),:] #a和b分别代表第一层和第二层的索引
- 接受tuple
In [ ]:
df.loc[(28,[82830661,532110457]),:]# 第二层索引选择，多个选择,多选择的这个必须用另外一个list放进去
In [ ]:
df.loc[(28,[82830661,532110457]),['auction_id','cat_id']]# 第二层索引选择，选择2个变量（即列标签）
In [ ]:
df.loc[([28,50014815])] #第一层索引为28和50014815
所以一定要注意同一层索引的引用要用列表放一起
风雨兼程，前程可待！
