Python数据处理：筛选、统计、连表、拼接、拆分、缺失值处理

前期准备

读数据

file1_path ='E:/Users/lenovo/Desktop/中视/622召回.csv' # 源数据

格式：file1=pd.read_csv(file1_path)

0.0 读取数据（调整成gbk格式，如果乱码）

pd.read_csv(file1_path,encoding='gbk')

0.1 读取数据并删除第2，3行数据

pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])

0.2 读取数据并删除奇数索引的数据

pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)

0.3 读取数据为空的会显示NaN，让其显示为空

pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)

修改后

修改前

建表

new=pd.DataFrame()

一、数据筛选

1.行值筛选

1.1 行值-获取第0，1，2行（列表索引）

new.new[[0,1,2]]

1.2 行值-获取第0-2行（切片索引）

new.new[0:2]

查询结果同上

1.3 行值范围的筛选(布尔索引）

new.loc[new['激活数']>1000]

2.列值的筛选

loc和iloc的区别：

    loc：纯标签筛选

    iloc：纯数字筛选

2.1 loc：纯标签筛选：

#筛选出new的某两列

new=new.loc[:,['phone','收件人姓名']]

2.2 iloc：纯数字筛选:

#筛选new的第0，1列

new.iloc[:,[0,1]]

3.筛选指定明确的值-“==”

使用‘==’筛选-筛查“崔旭”的人（只能筛查指定明确的）

#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]

#print(new)

4.筛选值里的某个字，使用loc函数-str.contains/str.startswitch函数

#使用loc函数筛选-str.contains函数-筛查名字中包含'亮'和'海'的人

#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]

#print(new)

#使用loc函数筛选-str.contains函数-筛查'崔'姓的人

#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]

#print(new)

5.筛选列中非空的值

df = df[(df['DEPOSIT_PAY_TIME_x'].notnull()) & (df['DEPOSIT_PAY_TIME_x'] != "")]

二、数据统计

1.统计during_time(number)为0的个数

print("during_time(number)=0的个数：",newdata[newdata['during_time(number)'] ==0].count()['during_time(number)'])

2.统计during_time(number)为1,2,3的个数

print("during_time(number)=1,2,3的个数：",newdata[(newdata['during_time(number)'] >0) & (newdata['during_time(number)'] <4)].count()['during_time(number)'])

3.1筛选during_time(number)为0时的数据

print(newdata[newdata['during_time(number)'] ==0])

3.2 筛选英格兰(England)、意大利(Italy)和俄罗斯(Russia)的射正率(Shooting Accuracy)

newdata[newdata['Team'].isin(['England','Italy','Russia'])][['Team','Shooting Accuracy']]

用到了isin

4.统计某一列有多少种值，个数各为多少

df.年龄.value_counts()

三、数据修改、删除

1.修改指定位置数据的值（修改第0行，’创建订单数‘列的值为3836）

new.loc[0,'创建订单数']=3836

2.替换‘小明’-‘xiaoming’

替换前

df.replace({'name':{'小明':'xiaoming'}})

替换后

3.批量替换某一列的值（把‘性别’列里的男-male，女-felmale）

方法一：df['性别']=df['性别'].map({'男':'male','女':'female'})

替换后

方法二：df['性别'].replace('female','女',inplace=True)

               或df['性别']=df['性别'].replace('female','女')                这就是inplace的作用

                +df['性别'].replace('male','男',inplace=True)

替换后

4.替换列索引

替换前

df.columns=['sex','name','height','age']

或者：df.rename(columns={'性别':'sex','姓名':'name','身高':'height','年龄':'age'})

替换后

5.删除某一列

删除前

del df['player']

删除后

6. 删除某一列（方法二），删除某一行（默认axis=0删除行，为1则删除列）

删除前

删除某一列（方法二）

df.drop('性别',axis=1)

删除‘性别’列

删除某一行

df.drop(1,axis=0)

删除为1的行

四、连表、拼接、拆分

4.1 pd.merge(new1,new2,on=' ',how=' ')

file1=pd.read_csv(file1_path)

file2=pd.read_csv(file2_path)

new1=pd.DataFrame()

new1['phone']=file1['phone']

new1['contact_time']=file1['contact_time']

new2=pd.DataFrame()

new2['phone']=file2['phone']

new2['submission_audit_time']=file2['提交审核时间']

newdata=pd.merge(new1,new2,on='phone',how='left')

4.2 拼接：concat

df

df2

4.2.1 纵向表连接

df=pd.concat([df1,df2],axis=0)

4.2.2 横向表连接

df=pd.concat([df1,df2],axis=1)

4.3 拆分：split

df1['地区'].str.split('·',3,expand=True)

df1:

df1

df1[['城市', '城区','地址']] = df1['地区'].str.split('·', 3, expand = True)

五、缺失值处理

5.1 缺失值删除

data.dropna(axis=0,subset = ["Age", "Sex"])   # 丢弃‘Age’和‘Sex’这两列中有缺失值的行

data.dropna(how = 'all')    # 传入这个参数后将只丢弃全为缺失值的那些行

data.dropna(axis = 1)       # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）

data.dropna(axis=1,how="all")   # 丢弃全为缺失值的那些列

5.2 缺失值填充：pandas.DataFrame.fillna()函数

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

功能：使用指定方法填充NA/NaN值

其中inplace=True就是直接在原有基础上填满

5.3 缺失值查询：

缺失值数量查询：df.isnull().sum()

 原表

 结果

缺失值行查询：df[df.isnull().T.any()]

六、CSV的时间类型问题

1.提取时间-pd.to_datetime()

newdata['during_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])

2.将时间转化为数值-pd.to_datetime().apply(lambda x:x.days)

newdata['during_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)

七、CSV的保存和导出

new=pd.DataFrame()

new=newdata[newdata['during_time(number)'] ==0]

new.to_csv(save_path,encoding='utf-8-sig')

八、数据转存

将数据按行拆分并存储到不同的csv文件中：

path='C:/Users/EDZ/Desktop/工作/2021.08.19/'

for i in range(0,30):

    df.loc[[i]].to_csv(path+str(i)+'.csv',encoding='gbk')

九、修改列的顺序

df = df[['购药日期', '星期','社保卡号','商品编码', '商品名称', '销售数量', '应收金额', '实收金额' ]]