Pandas学习笔记（持续更新）

---

1 相关包

pandas
numpy
dbfread

---

2 读取数据

2.1 读取excel

df = pd.DataFrame(pd.read_excel('filepath'))

2.2 读取dbf

#导入模块
from dbfread import DBF

#数据表文件名
table = DBF('test.dbf')

#遍历数据表中（没加删除标志）的记录
for record in table:
    for field in record:
        print(field, "=", record[field], end = ",")
    print()

print("*" * 40)

#遍历数据表中（加了删除标志）的记录
for record in table.deleted:
    for field in record:
        print(field, "=", record[field], end = ",")
    print()

---

3 数据清洗

3.1 删除空白值

df.dropna(axis='0', subset='columname',how='any')

axis='0’表示删除行，‘1’为列
添加subset可选择某一列判断是否有空值
how=‘any’ 表示只要有一个空值就删除
'all’表示全为空才删除

3.2 删除重复记录

1. duplicated

用于标记series中的值、dataframe中的记录行是否重复，重复未True，不重复为False

pandas.DataFrame.duplicated(self, subset=None, keep='first')
pandas.Series.duplicated(self, keep='first')

subset：用于识别重复的列标签或列标签序列，默认所有列标签
keep=‘frist’：除了第一次出现外，其余相同的被标记为重复
keep=‘last’：除了最后一次出现外，其余相同的被标记为重复
keep=False：所有相同的都被标记为重复的

Example

1	2	3	4
one	1	AA	a
one	2	BB	a
two	1	CC	b
two	2	DD	c
two	1	EE	b
three	1	FF	a
four	1	GG	c

import numpy as np  
import pandas as pd   
#标记DataFrame重复例子  
df = pd.DataFrame({'col1': ['one', 'one', 'two', 'two', 'two', 'three', 'four'], 'col2': [1, 2, 1, 2, 1, 1, 1],  
                   'col3':['AA','BB','CC','DD','EE','FF','GG']},index=['a', 'a', 'b', 'c', 'b', 'a','c'])  
#duplicated(self, subset=None, keep='first')  
#根据列名标记  
#keep='first'  
df.duplicated()#默认所有列，无重复记录  
df.duplicated('col1')#第二、四、五行被标记为重复  
df.duplicated(['col1','col2'])#第五行被标记为重复  
#keep='last'  
df.duplicated('col1','last')#第一、三、四行被标记重复  
df.duplicated(['col1','col2'],keep='last')#第三行被标记为重复  
#keep=False  
df.duplicated('col1',False)#Series([True,True,True,True,True,False,False],index=['a','a','b','c','b','a','c'])  
df.duplicated(['col1','col2'],keep=False)#在col1和col2列上出现相同的，都被标记为重复  
type(df.duplicated(['col1','col2'],keep=False))#pandas.core.series.Series  
#根据索引标记  
df.index.duplicated()#默认keep='first',第二、五、七行被标记为重复  
df.index.duplicated(keep='last')#第一、二、三、四被标记为重复  
df[df.index.duplicated()]#获取重复记录行  
df[~df.index.duplicated('last')]#获取不重复记录行  
#标记Series重复例子  
#duplicated(self, keep='first')  
s = pd.Series(['one', 'one', 'two', 'two', 'two', 'three', 'four'] ,index= ['a', 'a', 'b', 'c', 'b', 'a','c'],name='sname')  
s.duplicated()  
s.duplicated('last')  
s.duplicated(False)  
#根据索引标记  
s.index.duplicated()  
s.index.duplicated('last')  
s.index.duplicated(False)  

2. drop_duplicates

DataFrame.drop_duplicates(subset=None, keep='first', inplace=False)

• subset : column label or sequence of labels, optional
  用来指定特定的列，默认所有列
• keep : {‘first’, ‘last’, False}, default ‘first’
  删除重复项并保留第一次出现的项
• inplace : boolean, default False
  是直接在原来数据上修改还是保留一个副本

df.drop_duplicates('B','first',inplace=True)

3.去除list中重复元素

list1=['a','a','b','c']
list2=list(set(list1))
#如果想保留排序
list1=['a','a','b','c']
list2=sorted(set(list1),key=list1.index)
#或者：
list2=list(set(list1))
list2.sort(key=list1.index)

---

数据导出

导出excel

df.to_excel('filename', sheet_name='Sheetname')