Pandas数据分析小技巧

Pandas数据分析常用小技巧

---

数据分析中pandas的小技巧，快速进行数据预处理，作者：北山啦

---

import pandas as pd

pandas生成数据

# https://blog.csdn.net/qq_45176548
d = {
     "sex": ["male", "female", "male", "female"],
     "color": ["red", "green", "blue", "yellow"],
     "age": [12, 56, 21, 31]}
df = pd.DataFrame(d)
df

	sex	color	age
0	male	red	12
1	female	green	56
2	male	blue	21
3	female	yellow	31

数据替换–map映射

d = {
     "male": 1, "female": 0}
df["gender"] = df["sex"].map(d)
df

	sex	color	age	gender
0	male	red	12	1
1	female	green	56	0
2	male	blue	21	1
3	female	yellow	31	0

数据清洗–replace和正则

分享pandas数据清洗技巧，在某列山使用replace和正则快速完成值的清洗

d = {
     "customer": ["A", "B", "C", "D"],
     "sales": [1000, "950.5RMB", "$400", "$1250.75"]}
df = pd.DataFrame(d)
df

	customer	sales
0	A	1000
1	B	950.5RMB
2	C	$400
3	D	$1250.75

sales列的数据类型不同意，为后续分析，所以需要将他的格式同统一

df["sales"] = df["sales"].replace("[$,RMB]", "", regex=True).astype("float")

df

	customer	sales
0	A	1000.00
1	B	950.50
2	C	400.00
3	D	1250.75

查看数据类型

df["sales"].apply(type)

0    
1    
2    
3    
Name: sales, dtype: object

数据透视表分析–melt函数

• melt是逆转操作函数，可以将列名转换为列数据(columns name → column values)，重构DataFrame，用法如下：

参数说明：
pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name=‘value’, col_level=None)

• frame:要处理的数据集。

• id_vars:不需要被转换的列名。

• value_vars:需要转换的列名，如果剩下的列全部都要转换，就不用写了。

• var_name和value_name是自定义设置对应的列名。

• col_level :如果列是MultiIndex，则使用此级别。

二维表格转成一维表格

d = {
     "district_code": [12345, 56789, 101112, 131415],
     "apple": [5.2, 2.4, 4.2, 3.6],
     "banana": [3.5, 1.9, 4.0, 2.3],
     "orange": [8.0, 7.5, 6.4, 3.9]
     }
df = pd.DataFrame(d)
df

	district_code	apple	banana	orange
0	12345	5.2	3.5	8.0
1	56789	2.4	1.9	7.5
2	101112	4.2	4.0	6.4
3	131415	3.6	2.3	3.9

df = df.melt(id_vars="district_code",
             var_name="fruit_name",
             value_name="price")
df

	district_code	fruit_name	price
0	12345	apple	5.2
1	56789	apple	2.4
2	101112	apple	4.2
3	131415	apple	3.6
4	12345	banana	3.5
5	56789	banana	1.9
6	101112	banana	4.0
7	131415	banana	2.3
8	12345	orange	8.0
9	56789	orange	7.5
10	101112	orange	6.4
11	131415	orange	3.9

将分类中出现次数较少的值归为others

d = {
     "name": ['Jone', 'Alica', 'Emily', 'Robert', 'Tomas',
              'Zhang', 'Liu', 'Wang', 'Jack', 'Wsx', 'Guo'],
     "categories": ["A", "C", "A", "D", "A",
                    "B", "B", "C", "A", "E", "F"]}
df = pd.DataFrame(d)
df

	name	categories
0	Jone	A
1	Alica	C
2	Emily	A
3	Robert	D
4	Tomas	A
5	Zhang	B
6	Liu	B
7	Wang	C
8	Jack	A
9	Wsx	E
10	Guo	F

D、E、F 仅在分类中出现一次，A 出现次数较多。

1. 统计出现次数，并标准化

frequencies = df["categories"].value_counts(normalize=True)
frequencies

A    0.363636
C    0.181818
B    0.181818
D    0.090909
E    0.090909
F    0.090909
Name: categories, dtype: float64

2. 设定阈值

threshold = 0.1
small_categories = frequencies[frequencies < threshold].index
small_categories

Index(['D', 'E', 'F'], dtype='object')

3. 替换

df["categories"] = df["categories"].replace(small_categories, "Others")

df

	name	categories
0	Jone	A
1	Alica	C
2	Emily	A
3	Robert	Others
4	Tomas	A
5	Zhang	B
6	Liu	B
7	Wang	C
8	Jack	A
9	Wsx	Others
10	Guo	Others

---

到这里就结束了，如果对你有帮助，欢迎点赞关注，你的点赞对我很重要。作者：北山啦