一文过pandas入门（中篇）——才疏学浅的莫笑天

本篇核心内容为数据清洗。

数据清洗

数据工作的步骤应该为：

1. 数据获取
2. 数据清洗
3. 数据分析
4. 数据可视化与建模
   因此，上一篇博文中，本人说过，下一篇博文会讲一下数据分析中重要的一步
   我们要知道，数据清洗本着为下一步数据分析服务的目的进行，因此，数据处理要根据数据分析确定它是否需要处理，需要怎样的处理，才能适应接下来的分析工作和挖掘工作。

整体分为几个不同的步骤来看。

import pandas as pd
import numpy as np

一. 缺失数据的处理

整体的处理方法在理论上我们可以采用填补或者丢弃。选择哪种依情况而定。总体工作对于pandas来说，就利用四个方法：

1. fillna():填充
2. dropna():根据条件筛选过滤
3. isnull():判断是否为空
4. notnull():判断是否不为空

如上四个函数，加上我们其他的语法，逻辑等，基本可以完成这一步工作。如下做演示，这几个方法不需要特别讲解

df = pd.DataFrame([np.random.rand(3),np.random.rand(3),np.random.rand(3)],columns=['A','B','C'])

df

	A	B	C
0	0.902598	0.598310	0.169824
1	0.425368	0.805950	0.677491
2	0.830366	0.305227	0.487216

df['A'][0] = np.NAN
print(df)
df.fillna(1)

          A         B         C
0       NaN  0.598310  0.169824
1  0.425368  0.805950  0.677491
2  0.830366  0.305227  0.487216

	A	B	C
0	1.000000	0.598310	0.169824
1	0.425368	0.805950	0.677491
2	0.830366	0.305227	0.487216

df['A'][0] = np.NAN
print(df)
df.dropna()

          A         B         C
0       NaN  0.598310  0.169824
1  0.425368  0.805950  0.677491
2  0.830366  0.305227  0.487216

	A	B	C
1	0.425368	0.805950	0.677491
2	0.830366	0.305227	0.487216

# 根据参数确定丢失行或列
df['A'][0] = np.NAN
print(df)
df.dropna(axis=1)

          A         B         C
0       NaN  0.598310  0.169824
1  0.425368  0.805950  0.677491
2  0.830366  0.305227  0.487216

	B	C
0	0.598310	0.169824
1	0.805950	0.677491
2	0.305227	0.487216

# 获取bool值对应的dataframe。
bool_df_t = df.isnull()
bool_df_t

	A	B	C
0	True	False	False
1	False	False	False
2	False	False	False

# 与上者相反
bool_df = df.notnull()
bool_df

	A	B	C
0	False	True	True
1	True	True	True
2	True	True	True

当然它也可以完成类似于numpyarray中的操作，不过没啥意义。

print(df[bool_df_t])
print(df[bool_df])

    A   B   C
0 NaN NaN NaN
1 NaN NaN NaN
2 NaN NaN NaNA         B         C
0       NaN  0.598310  0.169824
1  0.425368  0.805950  0.677491
2  0.830366  0.305227  0.487216

二. 重复值的处理

考虑到某些数据不符合我们的分析要求，或者输入建模的问题，需要在某种情况下对数据进行重复值的处理

# 构建包含重复值的数据
df_obj = pd.DataFrame({'data1' : ['a'] * 4 + ['b'] * 4,'data2' : np.random.randint(0, 4, 8)})
print(df_obj)
## df.duplicated():判断重复数据，默认是判断全部列，可指定列数判断。我们可以根据得出的结果分析，方法会记录第一次出现的数据，标记为false，但
## 之后再出现的数据就会被标记为True，表示重复。
print(df_obj.duplicated())

  data1  data2
0     a      1
1     a      2
2     a      2
3     a      0
4     b      1
5     b      1
6     b      1
7     b      1
0    False
1    False
2     True
3    False
4    False
5     True
6     True
7     True
dtype: bool

## 我们也可以利用它判断某一列。
print(df_obj.duplicated('data2'))

0    False
1    False
2     True
3    False
4     True
5     True
6     True
7     True
dtype: bool

判断之后，可以利用drop_duplicates()方法删除重复的行。

# 它可以删除掉已经重复的数据，保留第一次出现的数据。
df_obj.drop_duplicates()

	data1	data2
0	a	1
1	a	2
3	a	0
4	b	1

三. 数据格式转化

考虑到部分数据格式的存在可能不符合后期数据分析的标准，或者不适合作为模型的输入，我们要对某些数据做对应的处理。

1. 利用函数进行映射。
2. 直接指定值进行替换处理。

# 生成随机数据
ser_obj = pd.Series(np.random.randint(0,10,10))

ser_obj

0    0
1    0
2    7
3    3
4    0
5    8
6    6
7    7
8    8
9    9
dtype: int32

# 进行函数映射，利用lamdba表达式，map函数与numpy中的applymap相似，与python基础语法的map也相似。可以认为相同
ser_obj.map(lambda x : x ** 2)

0     0
1     0
2    49
3     9
4     0
5    64
6    36
7    49
8    64
9    81
dtype: int64

# 进行值的替换，replace方法
# 生成一个随机的series
data = pd.Series(np.random.randint(0,100,10))
print(data)

0    73
1    18
2    48
3    27
4     1
5    60
6    59
7    38
8    66
9    53
dtype: int32

# 单一替换
data = data.replace(73,100)

data

0    100
1     18
2     48
3     27
4      1
5     60
6     59
7     38
8     66
9     53
dtype: int32

# 多对对替换
data = data.replace([100,18],[-1,-1])

data

0    -1
1    -1
2    48
3    27
4     1
5    60
6    59
7    38
8    66
9    53
dtype: int64

字符串操作，可直接继承python基本语法的字符串操作，这里不在浪费时间。

四. 数据合并

根据不同的条件将数据进行联合。主要使用的方法是pd.merge

pd.merge:(left, right, how=‘inner’,on=None,left_on=None, right_on=None )

left:合并时左边的DataFrame

right:合并时右边的DataFrame

how:合并的方式,默认’inner’, ‘outer’, ‘left’, ‘right’

on:需要合并的列名,必须两边都有的列名，并以 left 和 right 中的列名的交集作为连接键

left_on: left Dataframe中用作连接键的列

right_on: right Dataframe中用作连接键的列

四种连接方式非常重要，它们分别为内连接，全连接，左连接，右连接。

1. 内连接：根据指定键的交集进行连接。
2. 外连接：根据指定键的并集进行连接。
3. 左连接：根据指定left的dataframe键进行连接。
4. 右连接：根据指定right的dataframe的键进行连接。

import pandas as pd
import numpy as npleft = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})right = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3'],'C': ['C0', 'C1', 'C2', 'C3'],'D': ['D0', 'D1', 'D2', 'D3']})

left

	key	A	B
0	K0	A0	B0
1	K1	A1	B1
2	K2	A2	B2
3	K3	A3	B3

right

	key	C	D
0	K0	C0	D0
1	K1	C1	D1
2	K2	C2	D2
3	K3	C3	D3

pd.merge(left,right,on='key') #指定连接键key

	key	A	B	C	D
0	K0	A0	B0	C0	D0
1	K1	A1	B1	C1	D1
2	K2	A2	B2	C2	D2
3	K3	A3	B3	C3	D3

## 可以看到left和right数据都有key键，他们的值都有k0,k1,k2,k3，进行连接后，指定为key后，他们连接起来，数据拼接没有丢失任何数据。

left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],'key2': ['K0', 'K1', 'K0', 'K1'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],'key2': ['K0', 'K0', 'K0', 'K0'],'C': ['C0', 'C1', 'C2', 'C3'],'D': ['D0', 'D1', 'D2', 'D3']})

left

	key1	key2	A	B
0	K0	K0	A0	B0
1	K0	K1	A1	B1
2	K1	K0	A2	B2
3	K2	K1	A3	B3

right

	key1	key2	C	D
0	K0	K0	C0	D0
1	K1	K0	C1	D1
2	K1	K0	C2	D2
3	K2	K0	C3	D3

pd.merge(left,right,on=['key1','key2']) #指定多个键，进行合并

	key1	key2	A	B	C	D
0	K0	K0	A0	B0	C0	D0
1	K1	K0	A2	B2	C1	D1
2	K1	K0	A2	B2	C2	D2

look，如上所示，内连接的方法是连接交集，对于k1 k0这个序列，在right中，显然存在两组数据，而left中只存在一组数据，根据交集来看，这两组数据与那一组数据都属于交集，因此，拼接为两组数据。那如果是left中存在两组呢，我们来看看结果。

left = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],'key2': ['K0', 'K0', 'K0', 'K1'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],'key2': ['K0', 'K0', 'K0', 'K0'],'C': ['C0', 'C1', 'C2', 'C3'],'D': ['D0', 'D1', 'D2', 'D3']})
print(pd.merge(left,right,on=['key1','key2']))

  key1 key2   A   B   C   D
0   K0   K0  A0  B0  C0  D0
1   K1   K0  A1  B1  C1  D1
2   K1   K0  A1  B1  C2  D2
3   K1   K0  A2  B2  C1  D1
4   K1   K0  A2  B2  C2  D2

我们来思考一下合并的规则，对于如上数据，我们最终得到5条数据，实际上left和right匹配的数据仅仅只有，一组k0 k0，两组k1 k0罢了，但是这两组k1 k0却进行了交集运算，将数据合并为四组，这种交集运算其实不难理解，但是初次接触也需要思考这其实是数据库交集的计算。可以从如下例子入手。

left = pd.DataFrame({'key':['c','d','c'],'A':['a','b','e'],'B':['a','b','e']},
)
right = pd.DataFrame({'key':['c','d','c'],'C':['a','b','c'],'D':['a','b','c']},
)

left

	key	A	B
0	c	a	a
1	d	b	b
2	c	e	e

right

	key	C	D
0	c	a	a
1	d	b	b
2	c	c	c

pd.merge(left,right,on=['key'])

	key	A	B	C	D
0	c	a	a	a	a
1	c	a	a	c	c
2	c	e	e	a	a
3	c	e	e	c	c
4	d	b	b	b	b

left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],'key2': ['K0', 'K1', 'K0', 'K1'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],'key2': ['K0', 'K0', 'K0', 'K0'],'C': ['C0', 'C1', 'C2', 'C3'],'D': ['D0', 'D1', 'D2', 'D3']})
print(pd.merge(left, right, how='left', on=['key1', 'key2']))## 匹配left数据框内有的所有键对，right没有则不匹配。

  key1 key2    A    B   C   D
0   K0   K0   A0   B0  C0  D0
1   K1   K0   A2   B2  C1  D1
2   K1   K0   A2   B2  C2  D2
3   K2   K0  NaN  NaN  C3  D3

print(pd.merge(left, right, how='right', on=['key1', 'key2']))## 匹配right数据框内所有的键对，left没有则不匹配。

  key1 key2    A    B   C   D
0   K0   K0   A0   B0  C0  D0
1   K1   K0   A2   B2  C1  D1
2   K1   K0   A2   B2  C2  D2
3   K2   K0  NaN  NaN  C3  D3

外连接，所有值，不存在则用na填充（并集）

left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],'key2': ['K0', 'K1', 'K0', 'K1'],'A': ['A0', 'A1', 'A2', 'A3'],'B': ['B0', 'B1', 'B2', 'B3']})
right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],'key2': ['K0', 'K0', 'K0', 'K0'],'C': ['C0', 'C1', 'C2', 'C3'],'D': ['D0', 'D1', 'D2', 'D3']})
print(pd.merge(left,right,how='outer',on=['key1','key2']))

  key1 key2    A    B    C    D
0   K0   K0   A0   B0   C0   D0
1   K0   K1   A1   B1  NaN  NaN
2   K1   K0   A2   B2   C1   D1
3   K1   K0   A2   B2   C2   D2
4   K2   K1   A3   B3  NaN  NaN
5   K2   K0  NaN  NaN   C3   D3

处理列名重复数据

# 处理重复列名
df_obj1 = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],'data' : np.random.randint(0,10,7)})
df_obj2 = pd.DataFrame({'key': ['a', 'b', 'd'],'data' : np.random.randint(0,10,3)})

df_obj1

	key	data
0	b	4
1	b	5
2	a	3
3	c	0
4	a	4
5	a	5
6	b	4

df_obj2

	key	data
0	a	8
1	b	7
2	d	8

print(pd.merge(df_obj1, df_obj2, on='key', suffixes=('_left', '_right')))

  key  data_left  data_right
0   b          4           7
1   b          5           7
2   b          4           7
3   a          3           8
4   a          4           8
5   a          5           8

# 按索引连接
df_obj1 = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'a', 'b'],'data1' : np.random.randint(0,10,7)})
df_obj2 = pd.DataFrame({'data2' : np.random.randint(0,10,3)}, index=['a', 'b', 'd'])

  key  data1  data2
0   b      4      8
1   b      0      8
6   b      1      8
2   a      6      1
4   a      4      1
5   a      2      1

df_obj1

	key	data1
0	b	4
1	b	0
2	a	6
3	c	1
4	a	4
5	a	2
6	b	1

df_obj2

	data2
a	1
b	8
d	8

# 指以left的键为主键，按索引连接。
pd.merge(df_obj1, df_obj2, left_on='key', right_index=True)

	key	data1	data2
0	b	4	8
1	b	0	8
6	b	1	8
2	a	6	1
4	a	4	1
5	a	2	1

pd.concat()方法

类似于np.concat，连接数组，这里则是连接dataframe。

df1 = pd.DataFrame(np.arange(6).reshape(3,2),index=list('abc'),columns=['one','two'])df2 = pd.DataFrame(np.arange(4).reshape(2,2)+5,index=list('ac'),columns=['three','four'])

df1

	one	two
a	0	1
b	2	3
c	4	5

df2

	three	four
a	5	6
c	7	8

## 默认连接方式为外连接，也就是所谓的并集。
pd.concat([df1,df2])

	one	two	three	four
a	0.0	1.0	NaN	NaN
b	2.0	3.0	NaN	NaN
c	4.0	5.0	NaN	NaN
a	NaN	NaN	5.0	6.0
c	NaN	NaN	7.0	8.0

## 当然亦如之前的方法，都可以指定参数axis，这便类似于上面的操作。merge()方法
pd.concat([df1,df2],axis=1)

	one	two	three	four
a	0	1	5.0	6.0
b	2	3	NaN	NaN
c	4	5	7.0	8.0

## 同样也可以指定连接方式 比如'inner'内连接（交集）
pd.concat([df1,df2],axis=1,join='inner')

	one	two	three	four
a	0	1	5	6
c	4	5	7	8

数据的重塑

# 1. 将列索引转化为行索引:stack方法
df_obj = pd.DataFrame(np.random.randint(0,10, (5,2)), columns=['data1', 'data2'])stacked = df_obj.stack()

   data1  data2
0      5      3
1      7      4
2      5      7
3      7      2
4      9      5
0  data1    5data2    3
1  data1    7data2    4
2  data1    5data2    7
3  data1    7data2    2
4  data1    9data2    5
dtype: int32

df_obj

	data1	data2
0	5	3
1	7	4
2	5	7
3	7	2
4	9	5

stacked

0  data1    5data2    3
1  data1    7data2    4
2  data1    5data2    7
3  data1    7data2    2
4  data1    9data2    5
dtype: int32

如上，数据索引变成了层级索引。

print(type(df_obj))
# 可以看到数据格式发生了变化，从dataframe转化到了series
print(type(stacked))

<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.series.Series'>

# 2. 将层级索引展为行索引unstack()方法
stacked.unstack()

	data1	data2
0	5	3
1	7	4
2	5	7
3	7	2
4	9	5

整体再来整理一下。

为什么要进行数据清洗？是为了后续的数据分析，建模等操作的方便执行。
数据清洗在数据分析工作的哪一步？在数据分析工作前，为数据分析，模型服务。
数据清洗的流程？
分为几大类：

1. 进行缺失值处理
2. 进行重复值处理
3. 进行数据格式转化
4. 进行数据合并

ok，今天到这里了，本人不准备专门为时间序列结构出一篇博客，所以打算直接将它渗透到后期的实战中，在实战之前还需要补充一些统计学的知识，感谢大家的关注。同学习python的同学可以博主微信，有问题直接交流。