本文主要介紹pandas資料清洗，排序，索引設定，資料選取

資料清洗

• 更改資料格式astype()

isin                 #計算一個“Series各值是否包含傳入的值序列中”的布林陣列
unique               #返回唯一值的陣列
value_counts         #返回一個Series，其索引為唯一值，值為頻率，按計數降序排列

• 丟棄值drop()

df.drop(labels, axis=1)# 按列（axis=1），丟棄指定label的列,預設按行
df=df.drop(labels, axis=1)# 注意，這一個賦值操作的df已經被改變，而上一個操作df沒被改變
 

• 丟棄缺失值dropna()

# 預設axi=0（行）；1（列），how=‘any’
df.dropna()#每行只要有空值，就將這行刪除
df.dropna(axis=1)#每列只要有空值，整列丟棄
df.dropna(how='all')# 一行中全部為NaN的，才丟棄該行
df.dropna(thresh=3)# 每行至少3個非空值才保留

• 缺失值填充fillna()

df.fillna(0)
df.fillna({1:0,2:0.5}) #對第一列nan值賦0，第二列賦值0.5
df.fillna(method='ffill') #在列方向上以前一個值作為值賦給NaN

• 值替換replace()

# 將df的A列中 -999 全部替換成空值
df['A'].replace(-999, np.nan)
#-999和1000 均替換成空值
obj.replace([-999,1000],  np.nan)
# -999替換成空值，1000替換成0
obj.replace([-999,1000],  [np.nan, 0])
# 同上，寫法不同，更清晰
obj.replace({-999:np.nan, 1000:0})

• 重複值處理duplicated()，unique()，drop_duplictad()

df.duplicated()#兩行每列完全一樣才算重複，後面重複的為True，第一個和不重複的為false，返回true
 

               #和false組成的Series型別
df.duplicated('key')#兩行key這一列一樣就算重複

df['A'].unique()# 返回唯一值的陣列（型別為array）

df.drop_duplicates(['k1'])# 保留k1列中的唯一值的行，預設保留第一行
df.drop_duplicates(['k1','k2'], take_last=True)# 保留 k1和k2 組合的唯一值的行，take_last=True 保留最後一行

排序

• 索引排序

# 預設axis=0，按行索引對行進行排序；ascending=True，升序排序
df.sort_index()
# 按列名對列進行排序，ascending=False 降序
df.sort_index(axis=1, ascending=False) 

• 值排序

# 按值對Series進行排序，使用order()，預設空值會置於尾部
s = pd.Series([4, 6, np.nan, 2, np.nan])
s.order()

df.sort_values(by=['a','b'])#按列進行排序

• 排名

a=Series([7,-5,7,4,2,0,4])
a.rank()#預設method='average'，升序排名（ascending=True），按行（axis=0）
#average 值相等時，取排名的平均值
#min 值相等時，取排名最小值
#max 值相等時，取排名最大值
#first值相等時，按原始資料出現順序排名

索引設定

• 修改列名
  df.rename(columns = {'key':'key2'},inplace=True)

• reindex()
  更新index或者columns，
  預設：更新index，返回一個新的DataFrame

# 返回一個新的DataFrame，更新index，原來的index會被替代消失
# 如果dataframe中某個索引值不存在，會自動補上NaN
df2 = df1.reindex(['a','b','c','d','e'])

# fill_valuse為原先不存在的索引補上預設值，不在是NaN
df2 = df1.reindex(['a','b','c','d','e'],  fill_value=0)

# inplace=Ture，在DataFrame上修改資料，而不是返回一個新的DataFrame
df1.reindex(['a','b','c','d','e'],  inplace=Ture)

# reindex不僅可以修改 索引(行)，也可以修改列
states = ["Texas","Utah","California"]
df2 = df1.reindex( columns=states )

• set_index()
  將DataFrame中的列columns設定成索引index
  打造層次化索引的方法

# 將columns中的其中兩列：race和sex的值設定索引，race為一級，sex為二級
# inplace=True 在原資料集上修改的
adult.set_index(['race','sex'], inplace = True) 

# 預設情況下，設定成索引的列會從DataFrame中移除
# drop=False將其保留下來
adult.set_index(['race','sex'], inplace = True) 

• reset_index()
  將使用set_index()打造的層次化逆向操作
  既是取消層次化索引，將索引變回列，並補上最常規的數字索引
  df.reset_index()

資料選取

• []
  只能對行進 行（row/index） 切片，前閉後開df[0:3]，df[:4]，df[4:]

• where 布林查詢

 df[df["A"]>7]

• isin

# 返回布林值
s.isin([1,2,3])
df['A'].isin([1,2,3])
df.loc[df['A'].isin([5.8,5.1])]#選取列A中值為5.8，5.1的所有行組成dataframe

• query
  多個where整合切片，&：於，|：或　

 df.query(" A>5.0 & (B>3.5 | C<1.0) ")　

• loc ：根據名稱Label切片

# df.loc[A,B] A是行範圍，B是列範圍
df.loc[1:4,['petal_length','petal_width']]

# 需求1：建立一個新的變數 test
# 如果sepal_length > 3 test = 1 否則 test = 0
df.loc[df['sepal_length'] > 6, 'test'] = 1
df.loc[df['sepal_length'] <=6, 'test'] = 0

# 需求2：建立一個新變數test2 
# 1.petal_length>2 and petal_width>0.3 = 1 
# 2.sepeal_length>6 and sepal_width>3 = 2 3.其他 = 0
df['test2'] = 0
df.loc[(df['petal_length']>2)&(df['petal_width']>0.3), 'test2'] = 1
df.loc[(df['sepal_length']>6)&(df['sepal_width']>3), 'test2'] = 2

• iloc：切位置
  df.iloc[1:4,:]

• ix：混切
  名稱和位置混切，但效率低，少用
  df1.ix[0:3,['sepal_length','petal_width']]

• map與lambda

alist = [1,2,3,4]
map(lambda s : s+1, alist)#map就是將自定義函式應用於Series每個元素

df['sepal_length'].map(lambda s:s*2+1)[0:3]

• apply和applymap
  apply和applymap是對dataframe的操作，前者操作一行或者一列，後者操作每個元素

These are techniques to apply function to element, column or dataframe.

Map: It iterates over each element of a series. 
df[‘column1’].map(lambda x: 10+x), this will add 10 to each element of column1.
df[‘column2’].map(lambda x: ‘AV’+x), this will concatenate “AV“ at the beginning of each element of column2 (column format is string).

Apply: As the name suggests, applies a function along any axis of the DataFrame.
df[[‘column1’,’column2’]].apply(sum), it will returns the sum of all the values of column1 and column2.
df0[['data1']].apply(lambda s:s+1)

ApplyMap: 對dataframe的每一個元素施加一個函式
func = lambda x: x+2
df.applymap(func), dataframe每個元素加2 (所有列必須數字型別)

• contains

# 使用DataFrame模糊篩選資料(類似SQL中的LIKE)
# 使用正則表示式進行模糊匹配,*匹配0或無限次,?匹配0或1次
df_obj[df_obj['套餐'].str.contains(r'.*?語音CDMA.*')] 

# 下面兩句效果一致
df[df['商品名稱'].str.contains("四件套")]
df[df['商品名稱'].str.contains(r".*四件套.*")]