欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Pandas數(shù)據(jù)清洗函數(shù)總結(jié)

 更新時間：2023年01月13日 15:35:55   作者：非常顏色  
本文主要介紹了Pandas數(shù)據(jù)清洗函數(shù)總結(jié)，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

一、drop()：刪除指定行列

drop()函數(shù)用于刪除指定行，指定列，同時可以刪除多行多列

語法格式：

DataFrame.drop(
        self,
        labels=None,
        axis: Axis = 0,
        index=None,
        columns=None,
        level: Level | None = None,
        inplace: bool = False,
        errors: str = "raise",
    )

參數(shù)說明：

  • labels：要刪除的行列的名字，接收列表參數(shù)，列表內(nèi)有多個參數(shù)時表示刪除多行或者多列
  • axis：要刪除的軸，與labels參數(shù)配合使用。默認為0，指刪除行；axis=1，刪除列
  • index：直接指定要刪除的行
  • columns：直接指定要刪除的列
  • inplace：是否直接在原數(shù)據(jù)上進行刪除操作，默認為False（刪除操作不改變原數(shù)據(jù)），而是返回一個執(zhí)行刪除操作后的新dataframe；inplace=True，直接在原數(shù)據(jù)上修改。

1. 刪除指定行

當(dāng) axis=0 時，刪除指定行

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, 4, 5, 5, 5]},index=list('abcdefgh'))
print(df_obj)
# 刪除第一行
df_obj.drop(labels='a', axis=0, inplace=True)
print(df_obj)

運行結(jié)果：

在這里插入圖片描述

2. 刪除指定列

當(dāng) axis=1 時，刪除指定列

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, 4, 5, 5, 5]}, index=list('abcdefgh'))
print(df_obj)
# 刪除data2 
df_obj.drop(labels='data2', axis=1, inplace=True)
print(df_obj)

運行結(jié)果：

在這里插入圖片描述

二、del()：刪除指定列

del()函數(shù)與drop()函數(shù)相比就沒有那么靈活了，此操作會對原數(shù)據(jù)df進行刪除，且一次只能刪除一列。

語法格式：

del df[‘列名']

案例：

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, 4, 5, 5, 5]}, index=list('abcdefgh'))
print(df_obj)
# 刪除data1
del df_obj['data1']
print(df_obj)

運行結(jié)果：

在這里插入圖片描述

三、isnull()：判斷是否為缺失

判斷序列元素是否為缺失（返回與序列長度一樣的bool值）

1. 判斷是否為缺失

示例代碼：

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'b', 'b', 'c'],
                       'data2': [1, 2, 3, 4, 5],
                       'data3': np.NaN})
print(df_obj)
print(df_obj.isnull())

運行結(jié)果：

在這里插入圖片描述

2. 判斷哪些列存在缺失

isnull().any()會判斷哪些”列”存在缺失值，數(shù)據(jù)清洗中經(jīng)常用的小技巧

print(df_obj.isnull().any())

運行結(jié)果：

在這里插入圖片描述

3. 統(tǒng)計缺失個數(shù)

isnull().sum()統(tǒng)計每一列的缺失個數(shù)

print(df_obj.isnull().sum())

運行結(jié)果：

在這里插入圖片描述

四、notnull()：判斷是否不為缺失

判斷序列元素是否不為缺失（返回與序列長度一樣的bool值），用法與isnull()相似

print(df_obj.notnull())

運行結(jié)果：

在這里插入圖片描述

五、dropna()：刪除缺失值

dropna()函數(shù)可以刪除缺失值

語法格式：

DataFrame.dropna(
        self,
        axis: Axis = 0,
        how: str = "any",
        thresh=None,
        subset=None,
        inplace: bool = False,
    )

參數(shù)說明：

  • axis：移除行或列，默認為0，即行含有空值移除行
  • how：‘all’所有值為空移除，'any’默認值，包含空值移除
  • thresh：包含thresh個空值時移除
  • subset：axis軸上，指定需要處理的標簽名稱列表
  • inplace：是否替換原始數(shù)據(jù)，默認False

1. 導(dǎo)入數(shù)據(jù)

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', np.NaN, 'b', 'c'],
                       'data2': [1, 2, np.NaN, 4, 5],
                       'data3': np.NaN,
                       'data4': [1, 2, 3, 4, 5]})
print(df_obj)

運行結(jié)果：

在這里插入圖片描述

2. 刪除含有NaN值的所有行

默認 axis=0

print(df_obj.dropna())

運行結(jié)果：

在這里插入圖片描述

3. 刪除含有NaN值的所有列

設(shè)置 axis=1 刪除列

print(df_obj.dropna(axis=1))

運行結(jié)果：

在這里插入圖片描述

4. 刪除元素都是NaN值的行

設(shè)置參數(shù) how="all"，只有行一整行數(shù)據(jù)都是NaN的時候才會刪除

print(df_obj.dropna(axis=0,how="all"))

運行結(jié)果：由于所有行都有至少有一個有效值，所有都沒刪除

在這里插入圖片描述

5. 刪除元素都是NaN值的列

print(df_obj.dropna(axis=1,how="all"))

運行結(jié)果：

在這里插入圖片描述

6. 刪除指定列中含有缺失的行

subset參數(shù)設(shè)置指定列

# 刪除data1列有含有缺失的行
print(df_obj.dropna(subset=["data1"], axis=0))

運行結(jié)果：

在這里插入圖片描述

六. fillna()：缺失值填充

缺失值填充

語法格式：

fillna(
        self,
        value: object | ArrayLike | None = None,
        method: FillnaOptions | None = None,
        axis: Axis | None = None,
        inplace: bool = False,
        limit=None,
        downcast=None,
    ) -> DataFrame | None

參數(shù)說明：

  • value：用于填充的空值的值。
  • method： {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None。定義了填充空值的方法， pad / ffill表示用前面行/列的值，填充當(dāng)前行/列的空值， backfill / bfill表示用后面行/列的值，填充當(dāng)前行/列的空值。
  • axis：選擇軸，默認0（行），axis=1：列
  • inplace：是否替換原始數(shù)據(jù)
  • limit：int， default None。如果method被指定，對于連續(xù)的空值，這段連續(xù)區(qū)域，最多填充前 limit 個空值（如果存在多段連續(xù)區(qū)域，每段最多填充前 limit 個空值）。如果method未被指定， 在該axis下，最多填充前 limit 個空值（不論空值連續(xù)區(qū)間是否間斷）
  • downcast：dict, default is None，字典中的項為，為類型向下轉(zhuǎn)換規(guī)則。或者為字符串“infer”，此時會在合適的等價類型之間進行向下轉(zhuǎn)換，比如float64 to int64 if possible。

1. 導(dǎo)入數(shù)據(jù)

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', np.NaN, 'b', 'c'],
                       'data2': [1, 2, np.NaN, 4, 5],
                       'data3': np.NaN,
                       'data4': [1, 2, 3, 4, 5]})
print(df_obj)

運行結(jié)果：

在這里插入圖片描述

2. 默認全部填充

# 用0填補空值
print(df_obj.fillna(value=0))

運行結(jié)果：

在這里插入圖片描述

3. 用前一行的值填補空值

設(shè)置參數(shù) method='pad' 用前一行的值填補空值

# 用前一行填充
print(df_obj.fillna(method='pad',axis=0))

運行結(jié)果：

在這里插入圖片描述

4. 用后一列的值填補空值

設(shè)置參數(shù) method='backfill'

# 用后一列的值填補空值
print(df_obj.fillna(method='backfill', axis=1))

運行結(jié)果：

在這里插入圖片描述

5. 設(shè)置填充個數(shù)

limit=數(shù)字，設(shè)置填充個數(shù)

# 用后一列的值填補空值,只填充兩個
print(df_obj.fillna(method='backfill', axis=1, limit=2))

運行結(jié)果：

在這里插入圖片描述

七、ffill()：用前一個元素填充

前向后填充缺失值，用缺失值的前一個元素填充，與fillna()相比沒有那么多可選性

語法格式：

ffill(
        self: DataFrame,
        axis: None | Axis = None,
        inplace: bool = False,
        limit: None | int = None,
        downcast=None,
    ) -> DataFrame | None

案例說明：

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, np.NaN, 5, 5, np.NaN]})
print(df_obj)
print(df_obj.ffill())

運行結(jié)果：

在這里插入圖片描述

八、bfill()：用后一個元素填充

后向填充缺失值，用缺失值的后一個元素填充

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, np.NaN, 5, 5, np.NaN]})
print(df_obj)
print(df_obj.bfill())

在這里插入圖片描述

九、duplicated()：判斷序列元素是否重復(fù)

判斷序列元素是否重復(fù)

語法格式：

DataFrame.duplicated(subset=None,keep='first')

參數(shù)說明：

  • subset：列標簽，可選, 默認使用所有列,只考慮某些列來識別重復(fù)項傳入列標簽或者列標簽的序列
  • keep：{‘first’，‘last’，F(xiàn)alse}，默認’first’
    • first：刪除第一次出現(xiàn)的重復(fù)項。
    • last：刪除重復(fù)項，除了最后一次出現(xiàn)。
    • false：刪除所有重復(fù)項

返回布爾型Series表示每行是否為重復(fù)行

示例代碼：

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, 4, 5, 5, 5]})
print(df_obj)

print(df_obj.duplicated())

運行結(jié)果：

在這里插入圖片描述

十、drop_duplicates()：刪除重復(fù)行

刪除重復(fù)行，默認判斷全部列，可指定按某些列判斷

語法格式：

DataFrame.drop_duplicates(
        self,
        subset: Hashable | Sequence[Hashable] | None = None,
        keep: Literal["first"] | Literal["last"] | Literal[False] = "first",
        inplace: bool = False,
        ignore_index: bool = False,
    ) -> DataFrame | None

參數(shù)說明：

  • subset：列標簽，可選, 默認使用所有列,只考慮某些列來識別重復(fù)項傳入列標簽或者列標簽的序列
  • keep：{‘first’，‘last’，F(xiàn)alse}，默認’first’
    • first：刪除第一次出現(xiàn)的重復(fù)項。
    • last：刪除重復(fù)項，除了最后一次出現(xiàn)。
    • false：刪除所有重復(fù)項
  • inplace：是否替換原數(shù)據(jù)，默認是False，生成新的對象，可以復(fù)制到新的DataFrame
  • ignore_index：bool，默認為False，如果為True，則生成的軸將標記為0，1，…，n-1。

1. 判斷所有列

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, 4, 5, 5, 5]})
print(df_obj)

print(df_obj.drop_duplicates())

運行結(jié)果：

在這里插入圖片描述

2. 按照指定列進行判斷

print(df_obj.drop_duplicates('data2'))

運行結(jié)果：

在這里插入圖片描述

十一、replace()：替換元素

替換元素，可以使用正則表達式

語法格式：

replace(
        self,
        to_replace=None,
        value=None,
        inplace: bool = False,
        limit=None,
        regex: bool = False,
        method: str = "pad",
    )

參數(shù)說明：

  • to_replace: 需要替換的值
  • value：替換后的值
  • inplace: 是否在原數(shù)據(jù)表上更改，默認 inplace=False
  • limit：向前或向后填充的最大尺寸間隙，用于填充缺失值
  • regex: 是否模糊查詢，用于正則表達式查找，默認 regex=False
  • method: 填充方式，用于填充缺失值
    • pad: 向前填充
    • ffill: 向前填充
    • bfill: 向后填充

1. 單個值替換

to_replace接收字符串

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['a', 'a', 'a', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, np.NaN, 5, 5, np.NaN]})
print(df_obj)

print(df_obj.replace('a',"A"))

運行結(jié)果：

在這里插入圖片描述

2. 多個值替換一個值

to_replace接收列表

print(df_obj.replace([1, 2], -100))

運行結(jié)果：

在這里插入圖片描述

3. 多個值替換多個值

to_replace接收列表，value接收列表

print(df_obj.replace([1, 2], [-100, -200]))

運行結(jié)果：

在這里插入圖片描述

4. 使用正則表達式：

to_replace接收正則語法，設(shè)置 regex=True

import numpy as np
import pandas as pd

df_obj = pd.DataFrame({'data1': ['ab', 'abc', 'aaa', 'b', 'b', 'b', 'c', 'c'],
                       'data2': [1, 1, 2, 3, np.NaN, 5, 5, np.NaN]})
print(df_obj)
# 替換a開頭的
print(df_obj.replace('a.?',"A",regex=True))

運行結(jié)果：

在這里插入圖片描述

十二、str.replace()：替換元素

替換元素，可使用正則表達式

import numpy as np
import pandas as pd

s = pd.Series(['foo', 'fuz', np.nan])
print(s)
print(s.str.replace('f.', 'ba', regex=True))

運行結(jié)果：
在這里插入圖片描述

十三、str.split.str()：分割元素

以指定字符切割列

import numpy as np
import pandas as pd

data = {'洗漱用品':['毛巾|牙刷|牙膏']}

df = pd.DataFrame(data)
print(df)
print(df['洗漱用品'].str.split('|',expand=True))

運行結(jié)果：

在這里插入圖片描述

 到此這篇關(guān)于Pandas數(shù)據(jù)清洗函數(shù)總結(jié)的文章就介紹到這了,更多相關(guān)pandas數(shù)據(jù)清洗 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

  • Python實現(xiàn)簡單猜數(shù)字游戲

    Python實現(xiàn)簡單猜數(shù)字游戲

    這篇文章主要為大家詳細介紹了Python實現(xiàn)猜數(shù)字游戲，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下
    2021-02-02
  • 基于Python編寫一個文檔密碼移除工具

    基于Python編寫一個文檔密碼移除工具

    保護文檔內(nèi)容是常見的需求,但有時我們可能會忘記或丟失文檔的密碼,導(dǎo)致無法訪問重要信息,本文將介紹如何使用Python創(chuàng)建一個簡單而實用的文檔密碼移除工具,需要的可以參考下
    2023-12-12
  • Python Flask RESTful使用demo演示

    Python Flask RESTful使用demo演示

    這篇文章主要為大家介紹了Python Flask RESTful使用demo演示，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪
    2023-03-03
  • 基礎(chǔ)的十進制按位運算總結(jié)與在Python中的計算示例

    基礎(chǔ)的十進制按位運算總結(jié)與在Python中的計算示例

    按位運算是計算機學(xué)習(xí)中的基礎(chǔ),Python完全支持位運算符從而幾乎可以直接顯示出位運算的結(jié)果,這里我們稍微總結(jié)一下基礎(chǔ)的十進制按位運算總結(jié)與在Python中的計算示例
    2016-06-06
  • PyTorch解決ModuleNotFoundError: No module named ‘torch’

    PyTorch解決ModuleNotFoundError: No module named

    本文主要介紹了PyTorch解決ModuleNotFoundError: No module named ‘torch’,這個錯誤意味著我們的Python環(huán)境中沒有安裝PyTorch庫,無法正常使用其功能,下面就來具體介紹一下
    2024-03-03
  • Django 過濾器匯總及自定義過濾器使用詳解

    Django 過濾器匯總及自定義過濾器使用詳解

    這篇文章主要介紹了Django 過濾器匯總及自定義過濾器使用詳解,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下
    2019-07-07
  • Python實現(xiàn)將不規(guī)范的英文名字首字母大寫

    Python實現(xiàn)將不規(guī)范的英文名字首字母大寫

    這篇文章給大家主要介紹的是利用map()函數(shù)，把用戶輸入的不規(guī)范的英文名字，變?yōu)槭鬃帜复髮?，其他小寫的?guī)范名字。文中給出了三種解決方法，大家可以根據(jù)需要選擇使用，感興趣的朋友們下面來一起學(xué)習(xí)學(xué)習(xí)吧。
    2016-11-11
  • 淺談對Python變量的一些認識理解

    淺談對Python變量的一些認識理解

    變量（variable）是編程的基礎(chǔ)概念,Python 的變量看似簡單,深入了解卻不易.文中有非常詳細的介紹及代碼示例,對正在學(xué)習(xí)python的小伙伴們很有幫助,需要的朋友可以參考下
    2021-05-05
  • python 密碼學(xué)示例——理解哈希（Hash）算法

    python 密碼學(xué)示例——理解哈希（Hash）算法

    這篇文章主要介紹了哈希（Hash）算法的相關(guān)資料，幫助大家更好的利用python處理密碼，感興趣的朋友可以了解下
    2020-09-09
  • Python基于jieba分詞實現(xiàn)snownlp情感分析

    Python基于jieba分詞實現(xiàn)snownlp情感分析

    情感分析（sentiment analysis）是2018年公布的計算機科學(xué)技術(shù)名詞，它可以根據(jù)文本內(nèi)容判斷出所代表的含義是積極的還是負面的等。本文將通過jieba分詞實現(xiàn)snownlp情感分析，感興趣的可以了解一下
    2023-01-01

最新評論