盘点66个Pandas函数合集

今天我们重新盘点66个Pandas函数合集,包括数据预览、数值数据操作、文本数据操作、行/列操作等等,涉及“数据清洗”的方方面面。

Pandas 是基于NumPy的一种工具,该工具是为解决数据分析任务而创建的。它提供了大量能使我们快速便捷地处理数据的函数和方法。

数据预览

对于探索性数据分析来说,做数据分析前需要先看一下数据的总体概况。info()方法用来查看数据集信息,describe()方法将返回描述性统计信息,这两个函数大家应该都很熟悉了。

describe方法默认只给出数值型变量的常用统计量,要想对DataFrame中的每个变量进行汇总统计,可以将其中的参数include设为all。

head()方法和tail() 方法则是分别显示数据集的前n和后n行数据。如果想要随机看N行的数据,可以使用sample()方法。

df.sample(3)

输出:

640-380

如果要检查数据中各列的数据类型,可以使用.dtypes;如果想要值查看所有的列名,可以使用.columns

df.columns

输出:

Index(["日期", "销量"], dtype="object")

前面介绍的函数主要是读取数据集的数据信息,想要获得数据集的大小(长宽),可以使用.shape方法。

df.shape

输出:

(5, 2)

另外,len()可以查看某列的行数,count()则可以查看该列值的有效个数,不包含无效值(Nan)。

缺失值与重复值

Pandas清洗数据时,判断缺失值一般采用isnull()方法。此外,isnull().any()会判断哪些”列”存在缺失值,isnull().sum()用于将列中为空的个数统计出来。

df.isnull().any()

输出:

日期    False
销量    True
dtype: bool

发现“销量”这列存在缺失值后,处理办法要么删除dropna() ,要么填充fillna()

df.fillna(50)

输出:

640-381

Pandas清洗数据时,判断重复值一般采用duplicated()方法。如果想要直接删除重复值,可以使用drop_duplicates() 方法。此处较为常见,不再过多演示。


数值数据操作

我们在处理数据的时候,会遇到批量替换的情况,replace()是很好的解决方法。它既支持替换全部或者某一行,也支持替换指定的某个或指定的多个数值(用字典的形式),还可以使用正则表达式替换。

df["编号"].replace(r"BA.$", value="NEW", regex=True, inplace = True)

输出:

640-382

在Pandas模块中, 调⽤rank()⽅法可以实现数据排名。

df["排名"] = df.rank(method="dense").astype("int")

输出:

640-383

rank()⽅法中的method参数,它有5个常⽤选项,可以帮助我们实现不同情况下的排名。

640-385

clip()方法,用于对超过或者低于某些数的数值进行截断[1],来保证数值在一定范围。比如每月的迟到天数一定是在0-31天之间。

df["迟到天数"] = df["迟到天数"].clip(0,31)
640-384

唯一值unique()是以数组形式返回列的所有唯一值,而nunique()返回的是唯一值的个数。

df["gender"].unique()
df["gender"].nunique()

输出:

640-386

在数值数据操作中,apply()函数的功能是将一个自定义函数作用于DataFrame的行或者列;applymap()函数的功能是将自定义函数作用于DataFrame的所有元素。他们通常也与匿名函数lambda一起使用。

df["数量"].apply(lambda x: x+1)

输出:

640-389文本数据操作

之前我们曾经介绍过经常被人忽视的:Pandas 文本型数据处理。在对文本型的数据进行处理时,我们会大量应用字符串的函数,来实现对一列文本数据进行操作[2]

函数方法 用法释义
cat 字符串的拼接
contains 判断某个字符串是否包含给定字符
startswith/endswith 判断某个字符串是否以...开头/结尾
get 获取指定位置的字符串
len 计算字符串长度
upper、lower 英文大小写转换
pad/center 在字符串的左边、右边或左右两边添加给定字符
repeat 重复字符串几次
slice_replace 使用给定的字符串,替换指定的位置的字符
split 分割字符串,将一列扩展为多列
strip、rstrip、lstrip 去除空白符、换行符
findall 利用正则表达式,去字符串中匹配,返回查找结果的列表
extract、extractall 接受正则表达式,抽取匹配的字符串(一定要加上括号)

举例:

df.insert(2, "姓名", 
          df["姓"].str.cat(df["名"], sep=""))

输出:

640-387
df["手机号码"] = df["手机号码"].str.slice_replace(3,7,"*"*4)

输出:

640-390
df["地址"].str.extract("([u4e00-u9fa5]+)")  

输出:

640-388

行/列操作

数据清洗时,会将带空值的行删除,此时DataFrame或Series类型的数据不再是连续的索引,可以使用reset_index()重置索引。

df.reset_index(drop=True)

输出:

640-390

rename()重命名用于更改行列的标签,即行列的索引。可以传入一个字典或者一个函数。在数据预处理中,比较常用。

df.rename(columns={"mark": "sell"}, inplace=True)

输出:

640-391

行列转置,我们可以使用T属性获得转置后的DataFrame。

df.T

输出:

640-393

删除行列,可以使用drop()

df.drop(columns=["mark"])

输出:

640-392

数据分析师在进行数据处理时经常会遇到长宽表互转的情况,这也是一道常见的数据分析面试题。

melt()方法可以将宽表转长表,即表格型数据转为树形数据。

df.melt(id_vars="姓名", var_name="科目", value_name="成绩")

输出:

640-396

pivot()方法可以将长表转宽表,即树形数据转为表格型数据。

df.pivot(index="姓名", columns="科目", values="成绩")

输出:

640-394

pivot()其实就是用 set_index()创建层次化索引,再用unstack()重塑

df1.set_index(["姓名","科目"]).unstack("科目") 
640-395

数据分组与数据透视表更是一个常见的需求,groupby()方法可以用于数据分组。

df.groupby("科目").mean()
640-397

由于pivot_table()数据透视表的参数比较多,就不再使用案例来演示了,具体用法可参考下图。

640-399 数据筛选

如果是筛选行列的话,通常有以下几种方法:

有时我们需要按条件选择部分列、部分行,一般常用的方法有:

操作 语法 返回结果
选择列 df[col] Series
按索引选择行 df.loc[label] Series
按数字索引选择行 df.iloc[loc] Series
使用切片选择行 df[:5] DataFrame
用表达式筛选行[3] df[bool_vec] DataFrame

除此以外,还有很多方法/函数可以用于“数据筛选”。

如果想直接筛选包含特定字符的字符串,可以使用contains()这个方法。

例如,筛选户籍地址列中包含“黑龙江”这个字符的所有行。

df[df["户籍地址"].str.contains("黑龙江")]

query()查询方法也可以用来筛选数据,比如查询“语文”成绩大于“数学”成绩的行记录。

df.query("语文 > 英语")

输出:

640-399

select_dtypes()方法可用于筛选某些数据类型的变量或列。举例,我们仅选择具有数据类型"int64"的列。

df.select_dtypes("int64")

输出:

640-400

isin()接受一个列表,判断该列中元素是否在列表中。

name_list = ["张三", "李四"]
df[df["姓名"].isin(name_list)]

输出:

640-398 数值数据统计运算

在对数值型的数据进行统计运算时,除了有算术运算、比较预算还有各种常见的汇总统计运行函数,具体如下表所示。

函数方法 用法释义
count 非NaN数据项计数
sum 求和
mean 平均值
median 中位数
mode 众数
max 最大值
min 最小值
std 标准差
var 方差
quantile 分位数
skew 返回偏态系数
kurt 返回峰态系数

举例:

df["语文"].max()

输出:

155

最后,再说一个比较常用的统计运算函数——累加cumsum()

df["累计销量"] = df["销量"].cumsum()

输出:

640-401

注:cumprod()方法是指连乘,用于与连加一样,但使用频率较少。


今天我们盘点了66个Pandas函数合集,但实际还有很多函数在本文中没有介绍,包括时间序列、数据表的拼接与连接等等。此外,那些类似describe()这种大家非常熟悉的方法都省去了代码演示。如果大家有在工作生活中进行“数据清洗”非常有用的Pandas函数,也可以在评论区交流。