python 数据清洗之数据合并、转换、过滤、排序

前面我们用pandas做了一些基本的操作，接下来进一步了解数据的操作，
数据清洗一直是数据分析中极为重要的一个环节。

数据合并

在pandas中可以通过merge对数据进行合并操作。

    import numpy as np
    import pandas as pd
    data1 = pd.DataFrame({'level':['a','b','c','d'],
             'numeber':[1,3,5,7]})

    data2=pd.DataFrame({'level':['a','b','c','e'],
             'numeber':[2,3,6,10]})
    print(data1)

结果为：

    print(data2) 

结果为：

    print(pd.merge(data1,data2)) 

结果为：

可以看到data1和data2中用于相同标签的字段显示，而其他字段则被舍弃，这相当于SQL中做inner join连接操作。
此外还有outer,ringt,left等连接方式，用关键词how的进行表示。

    data3 = pd.DataFrame({'level1':['a','b','c','d'],
             'numeber1':[1,3,5,7]})
    data4=pd.DataFrame({'level2':['a','b','c','e'],
             'numeber2':[2,3,6,10]})
    print(pd.merge(data3,data4,left_on='level1',right_on='level2'))

结果为：

两个数据框中如果列名不同的情况下，我们可以通过指定letf_on 和right_on两个参数把数据连接在一起

    print(pd.merge(data3,data4,left_on='level1',right_on='level2',how='left')) 

结果为：

其他详细参数说明

重叠数据合并

有时候我们会遇到重叠数据需要进行合并处理，此时可以用comebine_first函数。

    data3 = pd.DataFrame({'level':['a','b','c','d'],
             'numeber1':[1,3,5,np.nan]})
     data4=pd.DataFrame({'level':['a','b','c','e'],
             'numeber2':[2,np.nan,6,10]})
     print(data3.combine_first(data4))

结果为：

可以看到相同标签下的内容优先显示data3的内容，如果一个数据框中的某一个数据是缺失的，此时另外一个数据框中的元素就会补上

这里的用法类似于np.where(isnull(a),b,a)

数据重塑和轴向旋转

这个内容我们在上一篇pandas文章有提到过。数据重塑主要使用reshape函数，旋转主要使用unstack和stack两个函数。

    data=pd.DataFrame(np.arange(12).reshape(3,4),
           columns=['a','b','c','d'],
           index=['wang','li','zhang'])
    print(data)

结果为：

    print(data.unstack()) 

结果为：

数据转换

删除重复行数据

    data=pd.DataFrame({'a':[1,3,3,4],
           'b':[1,3,3,5]})
    print(data)

结果为：

    print(data.duplicated()) 

结果为：

可以看出第三行是重复第二行的数据所以，显示结果为True

另外用drop_duplicates方法可以去除重复行

    print(data.drop_duplicates()) 

结果为：

替换值

除了使用我们上一篇文章中提到的fillna的方法外，还可以用replace方法，而且更简单快捷

    data=pd.DataFrame({'a':[1,3,3,4],
           'b':[1,3,3,5]})
    print(data.replace(1,2))

结果为：

多个数据一起换

    print(data.replace([1,4],np.nan)) 

数据分段

    data=[11,15,18,20,25,26,27,24]
    bins=[15,20,25]
    print(data)
    print(pd.cut(data,bins))

结果为：
[11, 15, 18, 20, 25, 26, 27, 24][NaN, NaN, (15, 20], (15, 20], (20, 25], NaN, NaN, (20, 25]]
Categories (2, object): [(15, 20] < (20, 25]]

可以看出分段后的结果，不在分段内的数据显示为na值，其他则显示数据所在的分段。

    print(pd.cut(data,bins).labels) 

结果为：

[-1 -1 0 0 1 -1 -1 1]

显示所在分段排序标签

    print(pd.cut(data,bins).levels) 

结果为：

Index(['(15, 20]', '(20, 25]'], dtype='object')

显示所以分段标签

    print(value_counts(pd.cut(data,bins))) 

结果为：

显示每个分段值得个数

此外还有一个qcut的函数可以对数据进行4分位切割，用法和cut类似。

排列和采样

我们知道排序的方法有好几个，比如sort，order，rank等函数都能对数据进行排序
现在要说的这个是对数据进行随机排序（permutation）

    data=np.random.permutation(5)
    print(data)

结果为：

[1 0 4 2 3]

这里的peemutation函数对0-4的数据进行随机排序的结果。
也可以对数据进行采样

    df=pd.DataFrame(np.arange(12).reshape(4,3))
    samp=np.random.permutation(3)
    print(df)

结果为：

print(samp)

结果为：
[1 0 2]

print(df.take(samp))

结果为：

这里使用take的结果是，按照samp的顺序从df中提取样本。