Python 数据分析三剑客之 Pandas（八）：数据重塑、重复数据处理与数据替换
CSDN 课程推荐：《迈向数据科学家：带你玩转Python数据分析》，讲师齐伟，苏州研途教育科技有限公司CTO，苏州大学应用统计专业硕士生指导委员会委员；已出版《跟老齐学Python：轻松入门》《跟老齐学Python：Django实战》、《跟老齐学Python：数据分析》和《Python大学实用教程》畅销图书。
Pandas 系列文章：
- Python 数据分析三剑客之 Pandas（一）：认识 Pandas 及其 Series、DataFrame 对象
- Python 数据分析三剑客之 Pandas（二）：Index 索引对象以及各种索引操作
- Python 数据分析三剑客之 Pandas（三）：算术运算与缺失值的处理
- Python 数据分析三剑客之 Pandas（四）：函数应用、映射、排序和层级索引
- Python 数据分析三剑客之 Pandas（五）：统计计算与统计描述
- Python 数据分析三剑客之 Pandas（六）：GroupBy 数据分裂、应用与合并
- Python 数据分析三剑客之 Pandas（七）：合并数据集
- Python 数据分析三剑客之 Pandas（八）：数据重塑、重复数据处理与数据替换
- Python 数据分析三剑客之 Pandas（九）：时间序列
- Python 数据分析三剑客之 Pandas（十）：数据读写
另有 NumPy、Matplotlib 系列文章已更新完毕，欢迎关注：
- NumPy 系列文章：https://itrhx.blog.csdn.net/category_9780393.html
- Matplotlib 系列文章：https://itrhx.blog.csdn.net/category_9780418.html
推荐学习资料与网站（博主参与部分文档翻译）：
- NumPy 官方中文网：https://www.numpy.org.cn/
- Pandas 官方中文网：https://www.pypandas.cn/
- Matplotlib 官方中文网：https://www.matplotlib.org.cn/
- NumPy、Matplotlib、Pandas 速查表：https://github.com/TRHX/Python-quick-reference-table
文章目录
- 【01x00】数据重塑
- 【01x01】stack
- 【01x02】unstack
- 【02x00】重复数据处理
- 【02x01】duplicated
- 【02x02】drop_duplicates
- 【03x00】数据替换
- 【03x01】replace
- 【03x02】where
- 【03x03】mask
这里是一段防爬虫文本，请读者忽略。
本文原创首发于 CSDN，作者 TRHX。
博客首页：https://itrhx.blog.csdn.net/
本文链接：https://itrhx.blog.csdn.net/article/details/106900748
未经授权，禁止转载！恶意转载，后果自负！尊重原创，远离剽窃！
【01x00】数据重塑
有许多用于重新排列表格型数据的基础运算。这些函数也称作重塑（reshape）或轴向旋转（pivot）运算。重塑层次化索引主要有以下两个方法：
-
stack：将数据的列转换成行； -
unstack：将数据的行转换成列。
【01x01】stack
stack 方法用于将数据的列转换成为行；
基本语法：DataFrame.stack(self, level=-1, dropna=True)
官方文档：https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.stack.html
| 参数 | 描述 |
|---|---|
| level | 从列转换到行，指定不同层级的列索引或列标签、由列索引或列标签组成的数组，默认-1 |
| dropna | bool 类型，是否删除重塑后数据中所有值为 NaN 的行，默认 True |
单层列（Single level columns）：
>>> import pandas as pd
>>> obj = pd.DataFrame([[0, 1], [2, 3]], index=['cat', 'dog'], columns=['weight', 'height'])
>>> obj
weight height
cat 0 1
dog 2 3
>>>
>>> obj.stack()
cat weight 0
height 1
dog weight 2
height 3
dtype: int64
多层列（Multi level columns）：
>>> import pandas as pd
>>> multicol = pd.MultiIndex.from_tuples([('weight', 'kg'), ('weight', 'pounds')])
>>> obj = pd.DataFrame([[1, 2], [2, 4]], index=['cat', 'dog'], columns=multicol)
>>> obj
weight
kg pounds
cat 1 2
dog 2 4
>>>
>>> obj.stack()
weight
cat kg 1
pounds 2
dog kg 2
pounds 4
缺失值填充：
>>> import pandas as pd
>>> multicol = pd.MultiIndex.from_tuples([('weight', 'kg'), ('height', 'm')])
>>> obj = pd.DataFrame([[1.0, 2.0], [3.0, 4.0]], index=['cat', 'dog'], columns=multicol)
>>> obj
weight height
kg m
cat 1.0 2.0
dog 3.0 4.0
>>>
>>> obj.stack()
height weight
cat kg NaN 1.0
m 2.0 NaN
dog kg NaN 3.0
m 4.0 NaN
通过 level 参数指定不同层级的轴进行重塑：
>>> import pandas as pd
>>> multicol = pd.MultiIndex.from_tuples([('weight', 'kg'), ('height', 'm')])
>>> obj = pd.DataFrame([[1.0, 2.0], [3.0, 4.0]], index=['cat', 'dog'], columns=multicol)
>>> obj
weight height
kg m
cat 1.0 2.0
dog 3.0 4.0
>>>
>>> obj.stack(level=0)
kg m
cat height NaN 2.0
weight 1.0 NaN
dog height NaN 4.0
weight 3.0 NaN
>>>
>>> obj.stack(level=1)
height weight
cat kg NaN 1.0
m 2.0 NaN
dog kg NaN 3.0
m 4.0 NaN
>>>
>>> obj.stack(level=[0, 1])
cat height m 2.0
weight kg 1.0
dog height m 4.0
weight kg 3.0
dtype: float64
对于重塑后的数据，若有一行的值均为 NaN，则默认会被删除，可以设置 dropna=False 来保留缺失值：
>>> import pandas as pd
>>> multicol = pd.MultiIndex.from_tuples([('weight', 'kg'), ('height', 'm')])
>>> obj = pd.DataFrame([[None, 1.0], [2.0, 3.0]], index=['cat', 'dog'], columns=multicol)
>>> obj
weight height
kg m
cat NaN 1.0
dog 2.0 3.0
>>>
>>> obj.stack(dropna=False)
height weight
cat kg NaN NaN
m 1.0 NaN
dog kg NaN 2.0
m 3.0 NaN
>>>
>>> obj.stack(dropna=True)
height weight
cat m 1.0 NaN
dog kg NaN 2.0
m 3.0 NaN
【01x02】unstack
unstack：将数据的行转换成列。
基本语法：
-
Series.unstack(self, level=-1, fill_value=None) -
DataFrame.unstack(self, level=-1, fill_value=None)
官方文档：
-
https://pandas.pydata.org/docs/reference/api/pandas.Series.unstack.html
-
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.unstack.html
| 参数 | 描述 |
|---|---|
| level | 从行转换到列，指定不同层级的行索引，默认-1 |
| fill_value | 用于替换 NaN 的值 |
在 Series 对象中的应用：
>>> import pandas as pd
>>> obj = pd.Series([1, 2, 3, 4], index=pd.MultiIndex.from_product([['one', 'two'], ['a', 'b']]))
>>> obj
one a 1
b 2
two a 3
b 4
dtype: int64
>>>
>>> obj.unstack()
a b
one 1 2
two 3 4
>>>
>>> obj.unstack(level=0)
one two
a 1 3
b 2 4
和 stack 方法类似，如果值不存在将会引入缺失值（NaN）：
>>> import pandas as pd
>>> obj1 = pd.Series([0, 1, 2, 3], index=['a', 'b', 'c', 'd'])
>>> obj2 = pd.Series([4, 5, 6], index=['c', 'd', 'e'])
>>> obj3 = pd.concat([obj1, obj2], keys=['one', 'two'])
>>> obj3
one a 0
b 1
c 2
d 3
two c 4
d 5
e 6
dtype: int64
>>>
>>> obj3.unstack()
a b c d e
one 0.0 1.0 2.0 3.0 NaN
two NaN NaN 4.0 5.0 6.0
在 DataFrame 对象中的应用：
>>> import pandas as pd
>>> import numpy as np
>>> obj = pd.DataFrame(np.arange(6).reshape((2, 3)),
index=pd.Index(['Ohio','Colorado'], name='state'),
columns=pd.Index(['one', 'two', 'three'],
name='number'))
>>> obj
number one two three
state
Ohio 0 1 2
Colorado 3 4 5
>>>
>>> obj2 = obj.stack()
>>> obj2
state number
Ohio one 0
two 1
three 2
Colorado one 3
two 4
three 5
dtype: int32
>>>
>>> obj3 = pd.DataFrame({'left': obj2, 'right': obj2 + 5},
columns=pd.Index(['left', 'right'], name='side'))
>>> obj3
side left right
state number
Ohio one 0 5
two 1 6
three 2 7
Colorado one 3 8
two 4 9
three 5 10
>>>
>>> obj3.unstack('state')
side left right
state Ohio Colorado Ohio Colorado
number
one 0 3 5 8
two 1 4 6 9
three 2 5 7 10
>>>
>>> obj3.unstack('state').stack('side')
state Colorado Ohio
number side
one left 3 0
right 8 5
two left 4 1
right 9 6
three left 5 2
right 10 7
这里是一段防爬虫文本，请读者忽略。
本文原创首发于 CSDN，作者 TRHX。
博客首页：https://itrhx.blog.csdn.net/
本文链接：https://itrhx.blog.csdn.net/article/details/106900748
未经授权，禁止转载！恶意转载，后果自负！尊重原创，远离剽窃！
【02x00】重复数据处理
-
duplicated：判断是否为重复值； -
drop_duplicates：删除重复值。
【02x01】duplicated
duplicated 方法可以判断值是否为重复数据。
基本语法：
-
Series.duplicated(self, keep='first') -
DataFrame.duplicated(self, subset: Union[Hashable, Sequence[Hashable], NoneType] = None, keep: Union[str, bool] = 'first') → ’Series’
官方文档：
-
https://pandas.pydata.org/docs/reference/api/pandas.Series.duplicated.html
-
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.duplicated.html
| 参数 | 描述 |
|---|---|
| keep | 标记重复项的方法，默认 'first''first'：将非重复项和第一个重复项标记为 False，其他重复项标记为 True'last'：将非重复项和最后一个重复项标记为 False，其他重复项标记为 TrueFalse：将所有重复项标记为 True，非重复项标记为 False |
| subset | 列标签或标签序列，在 DataFrame 对象中才有此参数， 用于指定某列，仅标记该列的重复项，默认情况下将考虑所有列 |
默认情况下，对于每组重复的值，第一个出现的重复值标记为 False，其他重复项标记为 True，非重复项标记为 False，相当于 keep='first'：
>>> import pandas as pd
>>> obj = pd.Series(['lama', 'cow', 'lama', 'beetle', 'lama'])
>>> obj
0 lama
1 cow
2 lama
3 beetle
4 lama
dtype: object
>>>
>>> obj.duplicated()
0 False
1 False
2 True
3 False
4 True
dtype: bool
>>>
>>> obj.duplicated(keep='first')
0 False
1 False
2 True
3 False
4 True
dtype: bool
设置 keep='last'，将每组非重复项和最后一次出现的重复项标记为 False，其他重复项标记为 True，设置 keep=False，则所有重复项均为 True，其他值为 False：
>>> import pandas as pd
>>> obj = pd.Series(['lama', 'cow', 'lama', 'beetle', 'lama'])
>>> obj
0 lama
1 cow
2 lama
3 beetle
4 lama
dtype: object
>>>
>>> obj.duplicated(keep='last')
0 True
1 False
2 True
3 False
4 False
dtype: bool
>>>
>>> obj.duplicated(keep=False)
0 True
1 False
2 True
3 False
4 True
dtype: bool
在 DataFrame 对象中，subset 参数用于指定某列，仅标记该列的重复项，默认情况下将考虑所有列：
>>> import pandas as pd
>>> import numpy as np
>>> obj = pd.DataFrame({'data1' : ['a'] * 4 + ['b'] * 4,
'data2' : np.random.randint(0, 4, 8)})
>>> obj
data1 data2
0 a 0
1 a 0
2 a 0
3 a 3
4 b 3
5 b 3
6 b 0
7 b 2
>>>
>>> obj.duplicated()
0 False
1 True
2 True
3 False
4 False
5 True
6 False
7 False
dtype: bool
>>>
>>> obj.duplicated(subset='data1')
0 False
1 True
2 True
3 True
4 False
5 True
6 True
7 True
dtype: bool
>>>
>>> obj.duplicated(subset='data2', keep='last')
0 True
1 True
2 True
3 True
4 True
5 False
6 False
7 False
dtype: bool
【02x02】drop_duplicates
drop_duplicates 方法会返回一个删除了重复值的序列。
基本语法：
Series.drop_duplicates(self, keep='first', inplace=False)
DataFrame.drop_duplicates(self,
subset: Union[Hashable, Sequence[Hashable], NoneType] = None,
keep: Union[str, bool] = 'first',
inplace: bool = False,
ignore_index: bool = False) → Union[ForwardRef(‘DataFrame’), NoneType]
官方文档：
-
https://pandas.pydata.org/docs/reference/api/pandas.Series.drop_duplicates.html
-
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.drop_duplicates.html
| 参数 | 描述 |
|---|---|
| keep | 删除重复项的方法，默认 'first''first'：保留非重复项和第一个重复项，其他重复项标记均删除'last'：保留非重复项和最后一个重复项，其他重复项删除False：将所有重复项删除，非重复项保留 |
| inplace | 是否返回删除重复项后的值，默认 False，若设置为 True，则不返回值，直接改变原数据 |
| subset | 列标签或标签序列，在 DataFrame 对象中才有此参数， 用于指定某列，仅标记该列的重复项，默认情况下将考虑所有列 |
| ignore_index | bool 类型，在 DataFrame 对象中才有此参数，是否忽略原对象的轴标记， 默认 False，如果为 True，则新对象的索引将是 0, 1, 2, …, n-1 |
keep 参数的使用：
>>> import pandas as pd
>>> obj = pd.Series(['lama', 'cow', 'lama', 'beetle', 'lama', 'hippo'], name='animal')
>>> obj
0 lama
1 cow
2 lama
3 beetle
4 lama
5 hippo
Name: animal, dtype: object
>>>
>>> obj.drop_duplicates()
0 lama
1 cow
3 beetle
5 hippo
Name: animal, dtype: object
>>>
>>> obj.drop_duplicates(keep='last')
1 cow
3 beetle
4 lama
5 hippo
Name: animal, dtype: object
>>>
>>> obj.drop_duplicates(keep=False)
1 cow
3 beetle
5 hippo
Name: animal, dtype: object
如果设置 inplace=True，则不会返回任何值，但原对象的值已被改变：
>>> import pandas as pd
>>> obj1 = pd.Series(['lama', 'cow', 'lama', 'beetle', 'lama', 'hippo'], name='animal')
>>> obj1
0 lama
1 cow
2 lama
3 beetle
4 lama
5 hippo
Name: animal, dtype: object
>>>
>>> obj2 = obj1.drop_duplicates()
>>> obj2 # 有返回值
0 lama
1 cow
3 beetle
5 hippo
Name: animal, dtype: object
>>>
>>> obj3 = obj1.drop_duplicates(inplace=True)
>>> obj3 # 无返回值
>>>
>>> obj1 # 原对象的值已改变
0 lama
1 cow
3 beetle
5 hippo
Name: animal, dtype: object
在 DataFrame 对象中的使用：
>>> import numpy as np
>>> import pandas as pd
>>> obj = pd.DataFrame({'data1' : ['a'] * 4 + ['b'] * 4,
'data2' : np.random.randint(0, 4, 8)})
>>> obj
data1 data2
0 a 2
1 a 1
2 a 1
3 a 2
4 b 1
5 b 2
6 b 0
7 b 0
>>>
>>> obj.drop_duplicates()
data1 data2
0 a 2
1 a 1
4 b 1
5 b 2
6 b 0
>>>
>>> obj.drop_duplicates(subset='data2')
data1 data2
0 a 2
1 a 1
6 b 0
>>>
>>> obj.drop_duplicates(subset='data2', ignore_index=True)
data1 data2
0 a 2
1 a 1
2 b 0
【03x00】数据替换
【03x01】replace
replace 方法可以根据值的内容进行替换。
基本语法：
-
Series.replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad') -
DataFrame.replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad')
官方文档：
-
https://pandas.pydata.org/docs/reference/api/pandas.Series.replace.html
-
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.replace.html
常用参数：
| 参数 | 描述 |
|---|---|
| to_replace | 找到要替换值的方法，可以是：字符串、正则表达式、列表、字典、整数、浮点数、Series 对象或者 None 使用不同参数的区别参见官方文档 |
| value | 用于替换匹配项的值， 对于 DataFrame，可以使用字典的值来指定每列要使用的值， 还允许使用此类对象的正则表达式，字符串和列表或字典 |
| inplace | bool 类型，是否直接改变原数据且不返回值，默认 False |
| regex | bool 类型或者与 to_replace 相同的类型， 当 to_replace 参数为正则表达式时，regex 应为 True，或者直接使用该参数代替 to_replace |
to_replace 和 value 参数只传入一个值，单个值替换单个值：
>>> import pandas as pd
>>> obj = pd.Series([0, 1, 2, 3, 4])
>>> obj
0 0
1 1
2 2
3 3
4 4
dtype: int64
>>>
>>> obj.replace(0, 5)
0 5
1 1
2 2
3 3
4 4
dtype: int64
to_replace 传入多个值，value 传入一个值，多个值替换一个值：
>>> import pandas as pd
>>> obj = pd.Series([0, 1, 2, 3, 4])
>>> obj
0 0
1 1
2 2
3 3
4 4
dtype: int64
>>>
>>> obj.replace([0, 1, 2, 3], 4)
0 4
1 4
2 4
3 4
4 4
dtype: int64
to_replace 和 value 参数都传入多个值，多个值替换多个值：
>>> import pandas as pd
>>> obj = pd.Series([0, 1, 2, 3, 4])
>>> obj
0 0
1 1
2 2
3 3
4 4
dtype: int64
>>>
>>> obj.replace([0, 1, 2, 3], [4, 3, 2, 1])
0 4
1 3
2 2
3 1
4 4
dtype: int64
to_replace 传入字典：
>>> import pandas as pd
>>> obj = pd.DataFrame({'A': [0, 1, 2, 3, 4],
'B': [5, 6, 7, 8, 9],
'C': ['a', 'b', 'c', 'd', 'e']})
>>> obj
A B C
0 0 5 a
1 1 6 b
2 2 7 c
3 3 8 d
4 4 9 e
>>>
>>> obj.replace(0, 5)
A B C
0 5 5 a
1 1 6 b
2 2 7 c
3 3 8 d
4 4 9 e
>>>
>>> obj.replace({0: 10, 1: 100})
A B C
0 10 5 a
1 100 6 b
2 2 7 c
3 3 8 d
4 4 9 e
>>>
>>> obj.replace({'A': 0, 'B': 5}, 100)
A B C
0 100 100 a
1 1 6 b
2 2 7 c
3 3 8 d
4 4 9 e
>>> obj.replace({'A': {0: 100, 4: 400}})
A B C
0 100 5 a
1 1 6 b
2 2 7 c
3 3 8 d
4 400 9 e
to_replace 传入正则表达式：
>>> import pandas as pd
>>> obj = pd.DataFrame({'A': ['bat', 'foo', 'bait'],
'B': ['abc', 'bar', 'xyz']})
>>> obj
A B
0 bat abc
1 foo bar
2 bait xyz
>>>
>>> obj.replace(to_replace=r'^ba.$', value='new', regex=True)
A B
0 new abc
1 foo new
2 bait xyz
>>>
>>> obj.replace({'A': r'^ba.$'}, {'A': 'new'}, regex=True)
A B
0 new abc
1 foo bar
2 bait xyz
>>>
>>> obj.replace(regex=r'^ba.$', value='new')
A B
0 new abc
1 foo new
2 bait xyz
>>>
>>> obj.replace(regex={r'^ba.$': 'new', 'foo': 'xyz'})
A B
0 new abc
1 xyz new
2 bait xyz
>>>
>>> obj.replace(regex=[r'^ba.$', 'foo'], value='new')
A B
0 new abc
1 new new
2 bait xyz
【03x02】where
where 方法用于替换条件为 False 的值。
基本语法：
-
Series.where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False) -
DataFrame.where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False)
官方文档：
-
https://pandas.pydata.org/docs/reference/api/pandas.Series.where.html
-
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.where.html
常用参数：
| 参数 | 描述 |
|---|---|
| cond | 替换条件，如果 cond 为 True，则保留原始值。如果为 False，则替换为来自 other 的相应值 |
| other | 替换值，如果 cond 为 False，则替换为来自该参数的相应值 |
| inplace | bool 类型，是否直接改变原数据且不返回值，默认 False |
在 Series 中的应用：
>>> import pandas as pd
>>> obj = pd.Series(range(5))
>>> obj
0 0
1 1
2 2
3 3
4 4
dtype: int64
>>>
>>> obj.where(obj > 0)
0 NaN
1 1.0
2 2.0
3 3.0
4 4.0
dtype: float64
>>>
>>> obj.where(obj > 1, 10)
0 10
1 10
2 2
3 3
4 4
dtype: int64
在 DataFrame 中的应用：
>>> import pandas as pd
>>> obj = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B'])
>>> obj
A B
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
>>>
>>> m = obj % 3 == 0
>>> obj.where(m, -obj)
A B
0 0 -1
1 -2 3
2 -4 -5
3 6 -7
4 -8 9
>>>
>>> obj.where(m, -obj) == np.where(m, obj, -obj)
A B
0 True True
1 True True
2 True True
3 True True
4 True True
【03x03】mask
mask 方法与 where 方法相反，mask 用于替换条件为 False 的值。
基本语法：
-
Series.mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False) -
DataFrame.mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False)
官方文档：
-
https://pandas.pydata.org/docs/reference/api/pandas.Series.mask.html
-
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.mask.html
常用参数：
| 参数 | 描述 |
|---|---|
| cond | 替换条件，如果 cond 为 False，则保留原始值。如果为 True，则替换为来自 other 的相应值 |
| other | 替换值，如果 cond 为 False，则替换为来自该参数的相应值 |
| inplace | bool 类型，是否直接改变原数据且不返回值，默认 False |
在 Series 中的应用：
>>> import pandas as pd
>>> obj = pd.Series(range(5))
>>> obj
0 0
1 1
2 2
3 3
4 4
dtype: int64
>>>
>>> obj.mask(obj > 0)
0 0.0
1 NaN
2 NaN
3 NaN
4 NaN
dtype: float64
>>>
>>> obj.mask(obj > 1, 10)
0 0
1 1
2 10
3 10
4 10
dtype: int64
在 DataFrame 中的应用：
>>> import pandas as pd
>>> obj = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B'])
>>> obj
A B
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
>>>
>>> m = obj % 3 == 0
>>>
>>> obj.mask(m, -obj)
A B
0 0 1
1 2 -3
2 4 5
3 -6 7
4 8 -9
>>>
>>> obj.where(m, -obj) == obj.mask(~m, -obj)
A B
0 True True
1 True True
2 True True
3 True True
4 True True
这里是一段防爬虫文本，请读者忽略。
本文原创首发于 CSDN，作者 TRHX。
博客首页：https://itrhx.blog.csdn.net/
本文链接：https://itrhx.blog.csdn.net/article/details/106900748
未经授权，禁止转载！恶意转载，后果自负！尊重原创，远离剽窃！