python 數據清洗之數據合並、轉換、過濾、排序

前面我們用pandas做了一些基本的操作，接下來進一步了解數據的操作，
數據清洗一直是數據分析中極為重要的一個環節。

數據合並

在pandas中可以通過merge對數據進行合並操作。

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)

結果為：

print(data2)

結果為：

print(pd.merge(data1,data2))

結果為：

可以看到data1和data2中用於相同標簽的字段顯示，而其他字段則被舍棄，這相當於SQL中做inner join連接操作。
此外還有outer,ringt,left等連接方式，用關鍵詞how的進行表示。

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'))

結果為：

兩個數據框中如果列名不同的情況下，我們可以通過指定letf_on 和right_on兩個參數把數據連接在一起

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

結果為：

其他詳細參數說明

重疊數據合並

有時候我們會遇到重疊數據需要進行合並處理，此時可以用comebine_first函數。

 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))

結果為：

可以看到相同標簽下的內容優先顯示data3的內容，如果一個數據框中的某一個數據是缺失的，此時另外一個數據框中的元素就會補上
這里的用法類似於np.where(isnull(a),b,a)

數據重塑和軸向旋轉

這個內容我們在上一篇pandas文章有提到過。數據重塑主要使用reshape函數，旋轉主要使用unstack和stack兩個函數。

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

結果為：

print(data.unstack())

結果為：

數據轉換

刪除重復行數據

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

結果為：

print(data.duplicated())

結果為：

可以看出第三行是重復第二行的數據所以，顯示結果為True
另外用drop_duplicates方法可以去除重復行

print(data.drop_duplicates())

結果為：

替換值

除了使用我們上一篇文章中提到的fillna的方法外，還可以用replace方法，而且更簡單快捷

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

結果為：

多個數據一起換

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

數據分段

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

結果為：
[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]]

可以看出分段后的結果，不在分段內的數據顯示為na值，其他則顯示數據所在的分段。

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

結果為：
[-1 -1 0 0 1 -1 -1 1]
顯示所在分段排序標簽

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

結果為：
Index(['(15, 20]', '(20, 25]'], dtype='object')
顯示所以分段標簽

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

結果為：

顯示每個分段值得個數

此外還有一個qcut的函數可以對數據進行4分位切割，用法和cut類似。

排列和采樣

我們知道排序的方法有好幾個，比如sort，order，rank等函數都能對數據進行排序
現在要說的這個是對數據進行隨機排序（permutation）

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

結果為：
[1 0 4 2 3]
這里的peemutation函數對0-4的數據進行隨機排序的結果。
也可以對數據進行采樣

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

結果為：

print(samp)
結果為：
[1 0 2]

print(df.take(samp))
結果為：

這里使用take的結果是，按照samp的順序從df中提取樣本。