1:删除重复数据

使用duplicate()函数检测重复的行,返回元素为bool类型的Series对象,每个元素对应一行,如果该行不是第一次出现,则元素为true

>>> df =DataFrame(np.random.randint(0,150,size=(6,3)),columns=['Chinese','maths','Chinese'],index=['zhangsan','lisi','wangwu','lisi','xiaowu','zhangsan'])

>>> df

Chinese  maths  Chinese

zhangsan       17     58       70

lisi           88     20      137

wangwu        130     29       57

lisi           71     20       65

xiaowu        133     60        6

zhangsan       96     48       60

>>> df.duplicated()

zhangsan    False

lisi        False

wangwu      False

lisi        False

xiaowu      False

zhangsan    False

dtype: bool

>>> df =DataFrame(np.random.randint(0,2,size=(6,2)),columns=['Chinese','maths'],index=['zhangsan','lisi','wangwu','lisi','xiaowu','zhangsan'])

>>> df

Chinese  maths

zhangsan        1      1

lisi            1      0

wangwu          0      0

lisi            1      0

xiaowu          1      1

zhangsan        0      0

>>> df.duplicated ()

zhangsan    False

lisi        False

wangwu      False

lisi         True

xiaowu       True

zhangsan     True

dtype: bool

>>> #如果出现的数据一样,则会返回true

>>> #调用drop_duplicates()可以删除重复的数据

>>> df.drop_duplicates ()

Chinese  maths

zhangsan        1      1

lisi            1      0

wangwu          0      0

>>> #删除的是行

>>> #rename()函数替换索引

>>> #map():新建一列

>>> #replace()替换元素

2:异常值检测和过滤

>>> #使用describe()函数查看每一列的描述统计量

>>> df =DataFrame(np.random.randint(0,150,size=(6,2)),columns=['Chinese','maths'],index=[list('ABCDEF')])

>>> df

Chinese  maths

A      119     25

B       28     33

C       10    134

D       44    121

E       44    119

F       91     46

>>> df.describe ()

Chinese       maths

count    6.000000    6.000000

mean    56.000000   79.666667#平均值

std     40.943864   50.014665

min     10.000000   25.000000

25%     32.000000   36.250000

50%     44.000000   82.500000

75%     79.250000  120.500000

max    119.000000  134.000000

>>> #std是标准方差

>>> df.std ()

Chinese    40.943864

maths      50.014665

dtype: float64

>>> df.std(axis=1)

A    66.468037

B     3.535534

C    87.681241

D    54.447222

E    53.033009

F    31.819805

dtype: float64

>>> #每个人的标准差

>>> np.abs(df)>df.std()*2

Chinese  maths

A     True  False

B    False  False

C    False   True

D    False   True

E    False   True

F     True  False

>>> #当某个方差大于标准方差的2倍时认为这两个数特殊,返回true,这时筛选出来

>>> df.any(axis=1)

A    True

B    True

C    True

D    True

E    True

F    True

dtype: bool

>>> df2=np.abs(df)>df.std()*2

>>> df3=df2.any(axis=1)

>>> df[df3]

Chinese  maths

A      119     25

C       10    134

D       44    121

E       44    119

F       91     46

>>> df2=np.abs(df)>df.std()*2

>>> df2

Chinese  maths

A     True  False

B    False  False

C    False   True

D    False   True

E    False   True

F     True  False

>>> df2.any()

Chinese    True

maths      True

dtype: bool

>>> df2.all()

Chinese    False

maths      False

dtype: bool

>>> df3=df2.any(axis=1)

>>> df3

A     True

B    False

C     True

D     True

E     True

F     True

dtype: bool

>>> df[df3]

Chinese  maths

A      119     25

C       10    134

D       44    121

E       44    119

F       91     46

3:随机排序

>>> x=np.random.permutation (6)

>>> x

array([4, 5, 1, 0, 3, 2])

>>> df.take(x)

Chinese  maths

E       44    119

F       91     46

B       28     33

A      119     25

D       44    121

C       10    134

>>> #使用take(函数排序,可以借助np.random.pemutation()函数随机排序,可以用来随机抽样

4:数据聚合

>>> #通常是每一个数组生成一个具体的值

>>> #1分组 2用函数处理  3合并

>>> #核心函数groupby()

>>> df = DataFrame({'item':['apple','banana','orange','banana','orange','apple'],'price':[4,3,3,2.5,4,2],'color':['red','yellow','yellow','green','green','green']})

>>> df

color    item  price

0     red   apple    4.0

1  yellow  banana    3.0

2  yellow  orange    3.0

3   green  banana    2.5

4   green  orange    4.0

5   green   apple    2.0

>>> df.groupby('item')

<pandas.core.groupby.DataFrameGroupBy object at 0x000000000E8EE240>

>>> g=df.groupby('item')

>>> g

<pandas.core.groupby.DataFrameGroupBy object at 0x000000000E76A828>

>>> g.groups

{'orange': Int64Index([2, 4], dtype='int64'), 'apple': Int64Index([0, 5], dtype='int64'), 'banana': Int64Index([1, 3], dtype='int64')}

>>> #分组

>>> g['price'].mean ()

item

apple     3.00

banana    2.75

orange    3.50

Name: price, dtype: float64

>>> m=g['price'].mean ()

>>> type(m)

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

>>> df_mean=DataFrame(m)

>>> df_mean

price

item

apple    3.00

banana   2.75

orange   3.50

>>> pd.merge(df,df_mean,left_on='item',right_index=True)

color    item  price_x  price_y

0     red   apple      4.0     3.00

5   green   apple      2.0     3.00

1  yellow  banana      3.0     2.75

3   green  banana      2.5     2.75

2  yellow  orange      3.0     3.50

4   green  orange      4.0     3.50

>>> #以多个属性进行分组

>>> df.groupby(['color','item']).sum()

price

color  item

green  apple     2.0

banana    2.5

orange    4.0

red      apple     4.0

yellow  banana    3.0

orange    3.0

>>> #最终变成了多重索引结构

pandas基础(3)_数据处理的更多相关文章

  1. pandas基础(2)_多重索引

    1:多重索引的构造 >>> #下面显示构造pd.MultiIndex >>> df1=DataFrame(np.random.randint(0,150,size= ...

  2. 利用Python进行数据分析(7) pandas基础: Series和DataFrame的简单介绍

    一.pandas 是什么 pandas 是基于 NumPy 的一个 Python 数据分析包,主要目的是为了数据分析.它提供了大量高级的数据结构和对数据处理的方法. pandas 有两个主要的数据结构 ...

  3. python学习_数据处理编程实例(二)

    在上一节python学习_数据处理编程实例(二)的基础上数据发生了变化,文件中除了学生的成绩外,新增了学生姓名和出生年月的信息,因此将要成变成:分别根据姓名输出每个学生的无重复的前三个最好成绩和出生年 ...

  4. Pandas基础学习与Spark Python初探

    摘要:pandas是一个强大的Python数据分析工具包,pandas的两个主要数据结构Series(一维)和DataFrame(二维)处理了金融,统计,社会中的绝大多数典型用例科学,以及许多工程领域 ...

  5. 利用Python进行数据分析(12) pandas基础: 数据合并

    pandas 提供了三种主要方法可以对数据进行合并: pandas.merge()方法:数据库风格的合并: pandas.concat()方法:轴向连接,即沿着一条轴将多个对象堆叠到一起: 实例方法c ...

  6. 利用Python进行数据分析(9) pandas基础: 汇总统计和计算

    pandas 对象拥有一些常用的数学和统计方法.   例如,sum() 方法,进行列小计:   sum() 方法传入 axis=1 指定为横向汇总,即行小计:   idxmax() 获取最大值对应的索 ...

  7. 利用Python进行数据分析(8) pandas基础: Series和DataFrame的基本操作

    一.reindex() 方法:重新索引 针对 Series   重新索引指的是根据index参数重新进行排序. 如果传入的索引值在数据里不存在,则不会报错,而是添加缺失值的新行. 不想用缺失值,可以用 ...

  8. numpy&pandas基础

    numpy基础 import numpy as np 定义array In [156]: np.ones(3) Out[156]: array([1., 1., 1.]) In [157]: np.o ...

  9. C#_02.16_基础七_.NET表达式&运算符

    C#_02.16_基础七_.NET表达式&运算符 一.字面量: 字面量和变量的关系来理解字面量会比较简单: 因此字面量是源代码中键入已知的(我们知道它是多少的)值.也可以理解是等号右边的非创建 ...

随机推荐

  1. python3使用pdfminer3k解析pdf文件

    安装pdfminer模块 pip3 install pdfminer3k 代码如下 #!/usr/bin/env python # coding:utf8 # author:Z time:2018/7 ...

  2. mongo简介

    MongoDB MongoDB是一款强大.灵活.且易于扩展的通用型数据库 MongoDB 是由C++语言编写的,是一个基于分布式文件存储的开源数据库系统. 在高负载的情况下,添加更多的节点,可以保证服 ...

  3. PAT 天梯赛 L2-022. 重排链表 【数据结构】

    题目链接 https://www.patest.cn/contests/gplt/L2-022 思路 先用结构体 把每个结点信息保存下来 然后深搜一下 遍历一下整个链表 然后就重新排一下 但是要注意一 ...

  4. 深入浅出 - Android系统移植与平台开发(七)- 初识HAL【转】

    本文转载自:http://blog.csdn.net/mr_raptor/article/details/8069588 版权声明:本文为博主原创文章,未经博主允许不得转载.   目录(?)[+]   ...

  5. 简易html5贪吃蛇

    1. [图片] E6~0%QPA46ER843UQJ$0Z`H.jpg ​2. [文件] snake.html <!DOCTYPE html><html><head> ...

  6. PHP的引用详解【转】

    摘自:http://www.cnblogs.com/xiaochaohuashengmi/archive/2011/09/10/2173092.html 官方文档: 1.引用是什么:http://ww ...

  7. Servlet传递数据方式

    Servlet传递数据方式 基本概述 Servlet传递数据的方式有很多,这里提供五种方式: 1.静态变量 2.HttpServletResponse的sendRedirect()方法 3.HttpS ...

  8. Elasticsearch: Five Things I was Doing Wrong

    Elasticsearch: Five Things I was Doing Wrong Update: Also check out my series on scaling Elasticsear ...

  9. Apache禁止或允许固定IP访问特定目录、文件、URL

    1. 禁止访问某些文件/目录 增加Files选项来控制,比如要不允许访问 .inc 扩展名的文件,保护php类库: <Files ~ "\.inc$"> Order a ...

  10. 在线接口管理工具-eoapi

    为了方便和前端沟通,临时在局域网搭建了一个接口管理工具,查了一些资料都说eoapi不错,那就试了一下: 1.安装 要在服务器或者自己的电脑,准备web环境,Linux可以是Apache/nginx , ...