数据分析----数据清洗和准备

Data Cleaning and Preparation 数据清洗和准备

修改之后，增加代码，注释

xiaoyao

# 导入package
import numpy as np
import pandas as pd
# 设置数据显示行数
PREVIOUS_MAX_ROWS = pd.options.display.max_rows
pd.options.display.max_rows = 20
# 生成随机数种子
np.random.seed(12345)
import matplotlib.pyplot as plt
plt.rc('figure', figsize=(10, 6))
np.set_printoptions(precision=4, suppress=True)

# 忽略警告
import warnings 
warnings.filterwarnings('ignore')

Handling Missing Data 处理缺失数据

pandas对象的所有描述性统计默认都不包括缺失数据。pandas使用浮点值NaN（Not a Number）表示缺失数据。

string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
string_data

0     aardvark
1    artichoke
2          NaN
3      avocado
dtype: object

# values为null，则结果为True
string_data.isnull()

0    False
1    False
2     True
3    False
dtype: bool

在pandas中，采用的是R语言中的惯用法，将缺失值表示为NA，他表示不可用not available.在统计应用中，NA数据可能是不存在的数据或者虽然存在，但是没有观察到（例如，数据采集中发生了问题）。

• 当进行数据清洗以进行分析的时候，最好直接对缺失数据进行分析，从而判断数据采集的问题或者缺失数据可能导致的偏差。
• python内置的None值在对象数组中也可以作为NA

string_data

0     aardvark
1    artichoke
2          NaN
3      avocado
dtype: object

string_data.isnull()

0    False
1    False
2     True
3    False
dtype: bool

# 这里，None值也可以作为NA
string_data[0] = None
string_data.isnull()

0     True
1    False
2     True
3    False
dtype: bool

一些关于缺失数据处理的函数

方法	说明
dropna	根据各标签的值中是否存在缺失数据对轴标签进行过滤，可以通过阈值调节对缺失值的容忍度
fillna	用指定值或者插值方法（如ffill或者bfill）填充确实数据
isnull	返回一个含有布尔值的对象，这些布尔值表示哪些值为缺失值NA，该对象的类型与源类型一样
notnull	这个是isnull的否定形式

Filtering Out Missing Data 滤除缺失数据

过滤掉缺失数据的方式有很多种。可以通过pandas.isnull或者布尔索引的方式，但dropna可能会更加实用。对于一个Series，dropna返回一个仅仅含有非空数据和索引值的Series:

from numpy import nan as NA
data = pd.Series([1, NA, 3.5, NA, 7])
data.dropna()

0    1.0
2    3.5
4    7.0
dtype: float64

# 上述操作等价于，采用布尔索引
data[data.notnull()]

0    1.0
2    3.5
4    7.0
dtype: float64

对于DataFrame对象，事情变得不一样。他这里默认丢弃任何含有缺失值的行。

data = pd.DataFrame([[1., 6.5, 3.], [1., NA, NA],
                     [NA, NA, NA], [NA, 6.5, 3.]])
cleaned = data.dropna()
data

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
2	NaN	NaN	NaN
3	NaN	6.5	3.0

cleaned

	0	1	2
0	1.0	6.5	3.0

# 传入how='all'将仅仅丢弃全部都是NA的那些行
data.dropna(how='all')

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
3	NaN	6.5	3.0

data

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
2	NaN	NaN	NaN
3	NaN	6.5	3.0

# 采用这种方式丢弃列，只需要传入axis=1就可以了
data[4] = NA
data

	0	1	2	4
0	1.0	6.5	3.0	NaN
1	1.0	NaN	NaN	NaN
2	NaN	NaN	NaN	NaN
3	NaN	6.5	3.0	NaN

# 删除全为NaN的列
data.dropna(axis=1, how='all')

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
2	NaN	NaN	NaN
3	NaN	6.5	3.0

另外一个滤除DataFrame行的问题所涉及时间序列数据。加入我只想留下一部分观测数据，可以采用thresh参数实现此目的。

df = pd.DataFrame(np.random.randn(7, 3))
df

	0	1	2
0	0.476985	3.248944	-1.021228
1	-0.577087	0.124121	0.302614
2	0.523772	0.000940	1.343810
3	-0.713544	-0.831154	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

df[0]

0    0.476985
1   -0.577087
2    0.523772
3   -0.713544
4   -1.860761
5   -1.265934
6    0.332883
Name: 0, dtype: float64

df.iloc[:4, 1] = NA
df.iloc[:2, 2] = NA
df

	0	1	2
0	0.476985	NaN	NaN
1	-0.577087	NaN	NaN
2	0.523772	NaN	1.343810
3	-0.713544	NaN	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

# 默认还是删除，任何含有NaN的行
df.dropna()

	0	1	2
0	0.476985	3.248944	-1.021228
1	-0.577087	0.124121	0.302614
2	0.523772	0.000940	1.343810
3	-0.713544	-0.831154	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

df.dropna(thresh=2)

	0	1	2
0	0.476985	3.248944	-1.021228
1	-0.577087	0.124121	0.302614
2	0.523772	0.000940	1.343810
3	-0.713544	-0.831154	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

Filling In Missing Data 填充缺失数据

不滤除缺失数据，我希望通过其他的方法来填补这些“空洞”，对于大多数情况而言，fillna方法是主要的函数。通过一个常数
调用fillna就会将缺失值替换为那个常数值：

df

	0	1	2
0	0.476985	NaN	NaN
1	-0.577087	NaN	NaN
2	0.523772	NaN	1.343810
3	-0.713544	NaN	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

df.fillna(0)

	0	1	2
0	0.476985	0.000000	0.000000
1	-0.577087	0.000000	0.000000
2	0.523772	0.000000	1.343810
3	-0.713544	0.000000	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

# 若是通过一个字典调用fillna,就可以实现对不同列填充不同的值：
df.fillna({1: 0.5, 2: 0})

	0	1	2
0	0.476985	0.500000	0.000000
1	-0.577087	0.500000	0.000000
2	0.523772	0.500000	1.343810
3	-0.713544	0.500000	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

fillna默认会返回新对象，但是也可以实现对现有的对象进行就地修改

_ = df.fillna(0, inplace=True)
df

	0	1	2
0	0.476985	0.000000	0.000000
1	-0.577087	0.000000	0.000000
2	0.523772	0.000000	1.343810
3	-0.713544	0.000000	-2.370232
4	-1.860761	-0.860757	0.560145
5	-1.265934	0.119827	-1.063512
6	0.332883	-2.359419	-0.199543

# 对reindexing有效的那些插值方法也可以用于fillna
df = pd.DataFrame(np.random.randn(6, 3))
df

	0	1	2
0	0.862580	-0.010032	0.050009
1	0.670216	0.852965	-0.955869
2	-0.023493	-2.304234	-0.652469
3	-1.218302	-1.332610	1.074623
4	0.723642	0.690002	1.001543
5	-0.503087	-0.622274	-0.921169

df.iloc[2:, 1] = NA
df.iloc[4:, 2] = NA
df

	0	1	2
0	0.862580	-0.010032	0.050009
1	0.670216	0.852965	-0.955869
2	-0.023493	NaN	-0.652469
3	-1.218302	NaN	1.074623
4	0.723642	NaN	NaN
5	-0.503087	NaN	NaN

# 传入Series的平均值或者中位数
data = pd.Series([1., NA, 3.5, NA, 7])
data.mean()  # 对应于11.5/3

3.8333333333333335

# 将缺失值填充为均值
data.fillna(data.mean())

0    1.000000
1    3.833333
2    3.500000
3    3.833333
4    7.000000
dtype: float64

关于fillna参数的说明

value	用于填充缺失值的标量值或者字典对象
method	插值方式，如果函数调用时候没有进行指定，则默认为“ffill”
axis	待填充的轴，默认为axis=0
inplace	修改调用者对象而不产生副本，就地修改
limit	（对于前向和后向填充）可以连续填充的最大数量

Data Transformation 数据转换

到此之前都是进行的为：数据的重排，另一类重要的操作为：通过过滤，清理以及其他的转换工作。

Removing Duplicates 移除重复的数据

# DataFrame中设置出现重复的行

# ‘k1’,'k2'为列索引，其中，‘k1’对应的值为：“one, two ”,同时重复三次，最后加上一个'two'
data = pd.DataFrame({'k1': ['one', 'two'] * 3 + ['two'],
                     'k2': [1, 1, 2, 3, 3, 4, 4]})
data

	k1	k2
0	one	1
1	two	1
2	one	2
3	two	3
4	one	3
5	two	4
6	two	4

# DataFrame的duplicated方法返回一个布尔型的Series,表示各行是否为重复行（之前是否出现过）
data.duplicated()

0    False
1    False
2    False
3    False
4    False
5    False
6     True
dtype: bool

# 与此对应的为：drop_duplicates方法，他会返回一个DataFrame,重复的数组会被标成False
data.drop_duplicates()

	k1	k2
0	one	1
1	two	1
2	one	2
3	two	3
4	one	3
5	two	4

data

	k1	k2
0	one	1
1	two	1
2	one	2
3	two	3
4	one	3
5	two	4
6	two	4

# 这两个方法默认会判断全部列，这里可以指定部分列进行重复项进行判断。

# 假设现有一列值，且只希望根据k1列过滤重复项

data['v1'] = range(7)

data

	k1	k2	v1
0	one	1	0
1	two	1	1
2	one	2	2
3	two	3	3
4	one	3	4
5	two	4	5
6	two	4	6

data.drop_duplicates(['k1'])

	k1	k2	v1
0	one	1	0
1	two	1	1

# duplicated和drop_duplicates默认保留的是第一个出现的值组合，这里传入keep = 'last'则默认保留最后一个：
data.drop_duplicates(['k1', 'k2'], keep='last')

	k1	k2	v1
0	one	1	0
1	two	1	1
2	one	2	2
3	two	3	3
4	one	3	4
6	two	4	6

Transforming Data Using a Function or Mapping

利用函数或者映射进行数据转换

对于许多数据集，可能希望根据数组、Series或者DataFrame列中的值来实现转换工作，我们接下来：

data = pd.DataFrame({'food': ['bacon', 'pulled pork', 'bacon',
                              'Pastrami', 'corned beef', 'Bacon',
                              'pastrami', 'honey ham', 'nova lox'],
                     'ounces': [4, 3, 12, 6, 7.5, 8, 3, 5, 6]})
data

	food	ounces
0	bacon	4.0
1	pulled pork	3.0
2	bacon	12.0
3	Pastrami	6.0
4	corned beef	7.5
5	Bacon	8.0
6	pastrami	3.0
7	honey ham	5.0
8	nova lox	6.0

# 假设要添加一列表示该肉类食物来源的动物类型，先编写一个不同肉类到动物的映射
meat_to_animal = {
  'bacon': 'pig',
  'pulled pork': 'pig',
  'pastrami': 'cow',
  'corned beef': 'cow',
  'honey ham': 'pig',
  'nova lox': 'salmon'
}

# Series的map方法可以接受一个函数或者含有映射关系的字典型对象，但是这里的问题是：
"""
有些肉类的首字母大写了，而另一些没有，

因此，首先调用Series的str.lower方法，将各个值转换为小写：
"""
lowercased = data['food'].str.lower()
lowercased

0          bacon
1    pulled pork
2          bacon
3       pastrami
4    corned beef
5          bacon
6       pastrami
7      honey ham
8       nova lox
Name: food, dtype: object

data['animal'] = lowercased.map(meat_to_animal)
data

	food	ounces	animal
0	bacon	4.0	pig
1	pulled pork	3.0	pig
2	bacon	12.0	pig
3	Pastrami	6.0	cow
4	corned beef	7.5	cow
5	Bacon	8.0	pig
6	pastrami	3.0	cow
7	honey ham	5.0	pig
8	nova lox	6.0	salmon

也可以传入一个可以完成全部工作的函数，这里使用匿名函数

data['food'].map(lambda x: meat_to_animal[x.lower()])

0       pig
1       pig
2       pig
3       cow
4       cow
5       pig
6       cow
7       pig
8    salmon
Name: food, dtype: object

data

	food	ounces	animal
0	bacon	4.0	pig
1	pulled pork	3.0	pig
2	bacon	12.0	pig
3	Pastrami	6.0	cow
4	corned beef	7.5	cow
5	Bacon	8.0	pig
6	pastrami	3.0	cow
7	honey ham	5.0	pig
8	nova lox	6.0	salmon

Replacing Values 替换值

利用fillna方法填充缺失数据可以看作是替换值的一种特殊方法。前面已经看到，map可以用于修改对象的数据子集。

而replace则提供了以中国实现该功能的更加简单、灵活的方式。

data = pd.Series([1., -999., 2., -999., -1000., 3.])
data

0       1.0
1    -999.0
2       2.0
3    -999.0
4   -1000.0
5       3.0
dtype: float64

# 这里的-999可以看作是一个表示缺失数据的标记值。将其替换为pandas可以理解的NA值。

# 通过使用replace来产生一个崭新的Series(除非传入：inplace=True)
data.replace(-999, np.nan)

0       1.0
1       NaN
2       2.0
3       NaN
4   -1000.0
5       3.0
dtype: float64

# 如果希望一次性替换多个值，可以传入一个由待替换值组成的列表以及一个替代值
data.replace([-999, -1000], np.nan)

0    1.0
1    NaN
2    2.0
3    NaN
4    NaN
5    3.0
dtype: float64

data

0       1.0
1    -999.0
2       2.0
3    -999.0
4   -1000.0
5       3.0
dtype: float64

# 要让每个值有不同的替换值，可以传递一个替换列表
data.replace([-999, -1000], [np.nan, 0])

0    1.0
1    NaN
2    2.0
3    NaN
4    0.0
5    3.0
dtype: float64

# 传入的参数也可以是字典
data.replace({-999: np.nan, -1000: 0})

0    1.0
1    NaN
2    2.0
3    NaN
4    0.0
5    3.0
dtype: float64

data.replace方法与data.str.replace不同，后者做的是字符串的元素级替换，

Renaming Axis Indexes 重命名轴索引

data = pd.DataFrame(np.arange(12).reshape((3, 4)),
                    index=['Ohio', 'Colorado', 'New York'],
                    columns=['one', 'two', 'three', 'four'])

跟Series中的值一样，轴标签也可以通过函数或者映射进行转换，从而得到一个新的不同标签的对象。轴还可以被就地修改，而无需新建一个数据结构。

data

	one	two	three	four
Ohio	0	1	2	3
Colorado	4	5	6	7
New York	8	9	10	11

transform = lambda x: x[:4].upper()
data.index.map(transform)

Index(['OHIO', 'COLO', 'NEW '], dtype='object')

# 可以将其赋值给index,这样子就可以实现对DataFrame进行就地修改
data.index = data.index.map(transform)
data

	one	two	three	four
OHIO	0	1	2	3
COLO	4	5	6	7
NEW	8	9	10	11

# 如果想要要创建数据集的转换版（而不是修改原始数据），比较实用的方法是使用：rename方法
data.rename(index=str.title, columns=str.upper)

	ONE	TWO	THREE	FOUR
Ohio	0	1	2	3
Colo	4	5	6	7
New	8	9	10	11

data.rename(index={'OHIO': 'INDIANA'},
            columns={'three': 'peekaboo'})

	one	two	peekaboo	four
INDIANA	0	1	2	3
COLO	4	5	6	7
NEW	8	9	10	11

# rename可以实现复制DataFrame并对其索引和列标签进行赋值。

# 如果希望就地修改某个数据集，传入inplace=True就可以
data.rename(index={'OHIO': 'INDIANA'}, inplace=True)
data

	one	two	three	four
INDIANA	0	1	2	3
COLO	4	5	6	7
NEW	8	9	10	11

Discretization and Binning 离散化和面元划分

为了便于分析，连续的数据常常被离散化或者拆分为"面元（bin）".

如下：假设有一组人员数据，希望将其划分为不同的年龄组：

ages = [20, 22, 25, 27, 21, 23, 37, 31, 61, 45, 41, 32]

# 接下来将这些数据划分为：18-25, 26-35, ...
bins = [18, 25, 35, 60, 100]
cats = pd.cut(ages, bins)
cats

[(18, 25], (18, 25], (18, 25], (25, 35], (18, 25], ..., (25, 35], (60, 100], (35, 60], (35, 60], (25, 35]]
Length: 12
Categories (4, interval[int64]): [(18, 25] < (25, 35] < (35, 60] < (60, 100]]

pandas返回的是一个特殊的Categorical对象。结果展示了pandas.cut划分的面元。可以将其看作一组表示面元名称的字符串。

它的底层含有一个表示不同分类名称的类型数组，以及一个codes属性中的年龄数据的标签。

cats.codes

array([0, 0, 0, 1, 0, 0, 2, 1, 3, 2, 2, 1], dtype=int8)

cats.categories

IntervalIndex([(18, 25], (25, 35], (35, 60], (60, 100]],
              closed='right',
              dtype='interval[int64]')

pd.value_counts(cats)

(18, 25]     5
(35, 60]     3
(25, 35]     3
(60, 100]    1
dtype: int64

# 类似于数学符号一样，圆括号表示开区间，方括号表示闭区间。

# 具体那一边表示闭，可以通过right  = False
pd.cut(ages, [18, 26, 36, 61, 100], right=False)

[[18, 26), [18, 26), [18, 26), [26, 36), [18, 26), ..., [26, 36), [61, 100), [36, 61), [36, 61), [26, 36)]
Length: 12
Categories (4, interval[int64]): [[18, 26) < [26, 36) < [36, 61) < [61, 100)]

# 可以传递一个列表或者数组到labels,设置自己的面元名称。
group_names = ['Youth', 'YoungAdult', 'MiddleAged', 'Senior']
pd.cut(ages, bins, labels=group_names)

[Youth, Youth, Youth, YoungAdult, Youth, ..., YoungAdult, Senior, MiddleAged, MiddleAged, YoungAdult]
Length: 12
Categories (4, object): [Youth < YoungAdult < MiddleAged < Senior]

# 如果向cut传入的是面源的额数量而不是确切的面元边界，则他会根据数据的最小值和最大值计算等长的面元。
data = np.random.rand(20)
pd.cut(data, 4, precision=2)

[(0.49, 0.72], (0.02, 0.26], (0.02, 0.26], (0.49, 0.72], (0.49, 0.72], ..., (0.49, 0.72], (0.49, 0.72], (0.26, 0.49], (0.72, 0.96], (0.49, 0.72]]
Length: 20
Categories (4, interval[float64]): [(0.02, 0.26] < (0.26, 0.49] < (0.49, 0.72] < (0.72, 0.96]]

这里的选项precision=2，限定小数只有两位

# qcut是一个非常类似于cut的函数，它可以根据样本分位数对数据进行面元划分。根据数据的分布情况，

# cut可能无法使各个面元中含有相同数量的数据点。

# 而qcut由于使用的是样本分位数，因此可以得到大小基本相同的面元

data = np.random.randn(1000)  # Normally distributed
cats = pd.qcut(data, 4)  # Cut into quartiles
cats

[(-0.0453, 0.604], (-2.9499999999999997, -0.686], (-0.0453, 0.604], (-0.0453, 0.604], (-2.9499999999999997, -0.686], ..., (-0.686, -0.0453], (0.604, 3.928], (0.604, 3.928], (-0.0453, 0.604], (-0.686, -0.0453]]
Length: 1000
Categories (4, interval[float64]): [(-2.9499999999999997, -0.686] < (-0.686, -0.0453] < (-0.0453, 0.604] < (0.604, 3.928]]

pd.value_counts(cats)

(0.604, 3.928]                   250
(-0.0453, 0.604]                 250
(-0.686, -0.0453]                250
(-2.9499999999999997, -0.686]    250
dtype: int64

# 类似于cut,可以自定义分位数，从零到壹，包含端点
pd.qcut(data, [0, 0.1, 0.5, 0.9, 1.])

[(-0.0453, 1.289], (-1.191, -0.0453], (-0.0453, 1.289], (-0.0453, 1.289], (-2.9499999999999997, -1.191], ..., (-1.191, -0.0453], (1.289, 3.928], (1.289, 3.928], (-0.0453, 1.289], (-1.191, -0.0453]]
Length: 1000
Categories (4, interval[float64]): [(-2.9499999999999997, -1.191] < (-1.191, -0.0453] < (-0.0453, 1.289] < (1.289, 3.928]]

Detecting and Filtering Outliers 检测和过滤异常值

data = pd.DataFrame(np.random.randn(1000, 4))
data.describe()

	0	1	2	3
count	1000.000000	1000.000000	1000.000000	1000.000000
mean	-0.043288	0.046433	0.026352	-0.010204
std	0.998391	0.999185	1.010005	0.992779
min	-3.428254	-3.645860	-3.184377	-3.745356
25%	-0.740152	-0.599807	-0.612162	-0.699863
50%	-0.085000	0.043663	-0.008168	-0.031732
75%	0.625698	0.746527	0.690847	0.692355
max	3.366626	2.653656	3.525865	2.735527

# 假设要找出某一列中绝对值超过3的值；
col = data[2]
col[np.abs(col) > 3]

50     3.260383
225   -3.056990
312   -3.184377
772    3.525865
Name: 2, dtype: float64

# 要选出全部含有"超过3或者-3的值的行"，可以在布尔型DataFrame中使用any方法：
data[(np.abs(data) > 3).any(1)]

	0	1	2	3
31	-2.315555	0.457246	-0.025907	-3.399312
50	0.050188	1.951312	3.260383	0.963301
126	0.146326	0.508391	-0.196713	-3.745356
225	-0.293333	-0.242459	-3.056990	1.918403
249	-3.428254	-0.296336	-0.439938	-0.867165
312	0.275144	1.179227	-3.184377	1.369891
534	-0.362528	-3.548824	1.553205	-2.186301
626	3.366626	-2.372214	0.851010	1.332846
772	-0.658090	-0.207434	3.525865	0.283070
793	0.599947	-3.645860	0.255475	-0.549574

# 通过使用符号函数，实现将值限制在±3之间
data[np.abs(data) > 3] = np.sign(data) * 3
data.describe()

	0	1	2	3
count	1000.000000	1000.000000	1000.000000	1000.000000
mean	-0.043227	0.047628	0.025807	-0.009059
std	0.995841	0.995170	1.006769	0.988960
min	-3.000000	-3.000000	-3.000000	-3.000000
25%	-0.740152	-0.599807	-0.612162	-0.699863
50%	-0.085000	0.043663	-0.008168	-0.031732
75%	0.625698	0.746527	0.690847	0.692355
max	3.000000	2.653656	3.000000	2.735527

# 根据数据的值是正还是负，np.sign(data)可以生成1和-1
np.sign(data).head()

	0	1	2	3
0	-1.0	-1.0	-1.0	-1.0
1	-1.0	1.0	-1.0	-1.0
2	1.0	-1.0	-1.0	1.0
3	1.0	1.0	1.0	-1.0
4	1.0	1.0	1.0	1.0

Permutation and Random Sampling 排列和随机采样

利用numpy.random.permutation函数可以轻松实现对Series或者DataFrame的列的排列工作（permuting，随机重排序）。通过对需要排列的轴的长度调用permutation，可以产生一个表示新顺序的整数数组。

df = pd.DataFrame(np.arange(5 * 4).reshape((5, 4)))
sampler = np.random.permutation(5)
sampler

array([2, 0, 3, 4, 1])

df

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11
3	12	13	14	15
4	16	17	18	19

df.take(sampler)

	0	1	2	3
2	8	9	10	11
0	0	1	2	3
3	12	13	14	15
4	16	17	18	19
1	4	5	6	7

# 如果不想用替换的方式选取随机子集，可以在Series和DataFrame上使用sample方法：
df.sample(n=3)

	0	1	2	3
2	8	9	10	11
1	4	5	6	7
0	0	1	2	3

# 要通过替换的方式产生样本（允许重复选择），可以传递replace = True到sample
choices = pd.Series([5, 7, -1, 6, 4])
draws = choices.sample(n=10, replace=True)
draws

4    4
4    4
1    7
3    6
4    4
3    6
4    4
4    4
3    6
2   -1
dtype: int64

Computing Indicator/Dummy Variables 计算指标/哑变量

另一种常用于统计建模或机器学习的转换方式是：将分类变量（类别型变量）转换为"哑变量"或者"指标矩阵"

df = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],
                   'data1': range(6)})
pd.get_dummies(df['key'])

	a	b	c
0	0	1	0
1	0	1	0
2	1	0	0
3	0	0	1
4	1	0	0
5	0	1	0

df

	key	data1
0	b	0
1	b	1
2	a	2
3	c	3
4	a	4
5	b	5

如果，DataFrame的某一列中含有k各不同的值，则可以派生出一个k列的矩阵或者DataFrame(其值全为1和0)

"""
有时候，可能想给指标DataFrame的列加上一个前缀，以便于能够跟其他的数据进行合并。

get_dummies的prefix参数可以实现该功能。
"""
dummies = pd.get_dummies(df['key'], prefix='key')
df_with_dummy = df[['data1']].join(dummies)
df_with_dummy

	data1	key_a	key_b	key_c
0	0	0	1	0
1	1	0	1	0
2	2	1	0	0
3	3	0	0	1
4	4	1	0	0
5	5	0	1	0

mnames = ['movie_id', 'title', 'genres']
movies = pd.read_table('datasets/movielens/movies.dat', sep='::',
                       header=None, names=mnames)
movies[:10]

	movie_id	title	genres
0	1	Toy Story (1995)	Animation|Children's|Comedy
1	2	Jumanji (1995)	Adventure|Children's|Fantasy
2	3	Grumpier Old Men (1995)	Comedy|Romance
3	4	Waiting to Exhale (1995)	Comedy|Drama
4	5	Father of the Bride Part II (1995)	Comedy
5	6	Heat (1995)	Action|Crime|Thriller
6	7	Sabrina (1995)	Comedy|Romance
7	8	Tom and Huck (1995)	Adventure|Children's
8	9	Sudden Death (1995)	Action
9	10	GoldenEye (1995)	Action|Adventure|Thriller

# 要为每个genre添加指标变量就需要做一些数据规整操作。首先，我们从数据集中抽取不同的genre值：
all_genres = []

for x in movies.genres:
    all_genres.extend(x.split('|'))
genres = pd.unique(all_genres)

genres

array(['Animation', "Children's", 'Comedy', 'Adventure', 'Fantasy',
       'Romance', 'Drama', 'Action', 'Crime', 'Thriller', 'Horror',
       'Sci-Fi', 'Documentary', 'War', 'Musical', 'Mystery', 'Film-Noir',
       'Western'], dtype=object)

zero_matrix = np.zeros((len(movies), len(genres)))
dummies = pd.DataFrame(zero_matrix, columns=genres)

gen = movies.genres[0]
gen.split('|')
dummies.columns.get_indexer(gen.split('|'))

array([0, 1, 2], dtype=int64)

for i, gen in enumerate(movies.genres):
    indices = dummies.columns.get_indexer(gen.split('|'))
    dummies.iloc[i, indices] = 1

movies_windic = movies.join(dummies.add_prefix('Genre_'))
movies_windic.iloc[0]

movie_id                                      1
title                          Toy Story (1995)
genres              Animation|Children's|Comedy
Genre_Animation                               1
Genre_Children's                              1
                               ...             
Genre_War                                     0
Genre_Musical                                 0
Genre_Mystery                                 0
Genre_Film-Noir                               0
Genre_Western                                 0
Name: 0, Length: 21, dtype: object

对于很大的数据，用这种方法构建多成员指标变量就会变得非常慢，最好使用更加低级的函数，将其写入到Numpy数组，然后将结果包装在DataFrame中。

np.random.seed(12345)
values = np.random.rand(10)
values

array([0.9296, 0.3164, 0.1839, 0.2046, 0.5677, 0.5955, 0.9645, 0.6532,
       0.7489, 0.6536])

bins = [0, 0.2, 0.4, 0.6, 0.8, 1]
pd.get_dummies(pd.cut(values, bins))

	(0.0, 0.2]	(0.2, 0.4]	(0.4, 0.6]	(0.6, 0.8]	(0.8, 1.0]
0	0	0	0	0	1
1	0	1	0	0	0
2	1	0	0	0	0
3	0	1	0	0	0
4	0	0	1	0	0
5	0	0	1	0	0
6	0	0	0	0	1
7	0	0	0	1	0
8	0	0	0	1	0
9	0	0	0	1	0

String Manipulation 字符串操纵

python本身能够处理字符串和文本，对于更加复杂的模式匹配和文本操作，就需要使用到正则表达式。pandas对此进行了加强，可以实现对：整租数据应用字符串表达式和正则表达式，而且可以处理烦人的缺失数据。

String Object Methods 字符串对象方法

# 根据逗号分隔，使用split函数进行字符串拆分
val = 'a,b,  guido'
val.split(',')

['a', 'b', '  guido']

# split通常和strip一起使用，从而实现去除空白符（包括换行符）
pieces = [x.strip() for x in val.split(',')]
pieces

['a', 'b', 'guido']

# 利用加法，可以实现将字符串以双冒号分隔符的形式连接起来，
first, second, third = pieces
first + '::' + second + '::' + third

'a::b::guido'

# 一种更加实用的方法是，向字符串"::"的join方法传入一个列表或者元组；
'::'.join(pieces)

'a::b::guido'

# 实现字串定位
'guido' in val

True

val.index(',')

1

val.find(':')

-1

find和index的区别是；如果找不到字符串，index将会引发一个异常，而不是返回-1

# 如下操作会产生异常
val.index(':')

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

 in 
----> 1 val.index(':')


ValueError: substring not found

# count可以返回指定字串的出现次数
val.count(',')

2

# replace用于将指定模式替换为另一个模式。通过传入空字符串，他也常常用于删除模式
val.replace(',', '::')

'a::b::  guido'

val.replace(',', '')

'ab  guido'

python内置的字符串方法

方法	说明
count	返回字串在字符串中出现的次数（非重叠）
endswith	字符串是否以某个后缀结尾，是则返回True
startswith	字符串是否以某个前缀开头，是则返回True
find, rfind	如果在字符串中找到字串，则返回第一次出现的位置，没有发现则返回-1，，后者返回最后一个发现的位置

Regular Expressions 正则表达式

re模块的函数可以分为三个大类：模式匹配，替换以及拆分

# 描述一个或者多个空白符的regex是："\s+"
import re
text = "foo    bar\t baz  \tqux"
re.split('\s+', text)

['foo', 'bar', 'baz', 'qux']

调用re.split(’\s+’,text)的时候，正则表达式会先被编译，然后会在text上调用其split方法。

regex = re.compile('\s+')
regex.split(text)

['foo', 'bar', 'baz', 'qux']

# 如果只希望匹配得到regex的所有模式，则可以使用findall发方法
regex.findall(text)

['    ', '\t ', '  \t']

如果想避免正则表达式中不需要的转移 （\），则可以使用原始字符串字面量如：

r’C:\x’

如果打算对许多字符串应用同一条正则表达式，建议通过re.compile创建regex对象。这样子可以节省大量的cpu时间

findall返回的是：字符串中所有的匹配项，而search则只返回第一个匹配项。match则更加严格，仅仅匹配字符串的首部。

text = """Dave [email protected]
Steve [email protected]
Rob [email protected]
Ryan [email protected]
"""
pattern = r'[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}'

# re.IGNORECASE makes the regex case-insensitive
regex = re.compile(pattern, flags=re.IGNORECASE)

regex.findall(text)

['[email protected]', '[email protected]', '[email protected]', '[email protected]']

m = regex.search(text)
m

text[m.start():m.end()]

'[email protected]'

# 下面将返回None,因为他只匹配出现在字符串开头的模式：
print(regex.match(text))

None

# sub方法可以将匹配到的模式替换为指定的字符串，且返回所得到的新字符串
print(regex.sub('REDACTED', text))

Dave REDACTED
Steve REDACTED
Rob REDACTED
Ryan REDACTED

# 分别找出，用户名，域名，域后缀，将模式的各个部分使用圆括号包起来。
pattern = r'([A-Z0-9._%+-]+)@([A-Z0-9.-]+)\.([A-Z]{2,4})'
regex = re.compile(pattern, flags=re.IGNORECASE)

m = regex.match('[email protected]')
m.groups()

('wesm', 'bright', 'net')

regex.findall(text)

[('dave', 'google', 'com'),
 ('steve', 'gmail', 'com'),
 ('rob', 'gmail', 'com'),
 ('ryan', 'yahoo', 'com')]

print(regex.sub(r'Username: \1, Domain: \2, Suffix: \3', text))

Dave Username: dave, Domain: google, Suffix: com
Steve Username: steve, Domain: gmail, Suffix: com
Rob Username: rob, Domain: gmail, Suffix: com
Ryan Username: ryan, Domain: yahoo, Suffix: com

Vectorized String Functions in pandas pandas的矢量化字符串函数

data = {'Dave': '[email protected]', 'Steve': '[email protected]',
        'Rob': '[email protected]', 'Wes': np.nan}
data = pd.Series(data)
data

Dave     [email protected]
Steve    [email protected]
Rob        [email protected]
Wes                  NaN
dtype: object

data.isnull()

Dave     False
Steve    False
Rob      False
Wes       True
dtype: bool

# 可以通过str.sontains检查各个电子邮件是否含有"gmail"
data.str.contains('gmail')

Dave     False
Steve     True
Rob       True
Wes        NaN
dtype: object

pattern
data.str.findall(pattern, flags=re.IGNORECASE)

Dave     [(dave, google, com)]
Steve    [(steve, gmail, com)]
Rob        [(rob, gmail, com)]
Wes                        NaN
dtype: object

# 有两个办法可以实现矢量化的元素获取操作，要么使用：str.get, 要么在str属性上使用索引
matches = data.str.match(pattern, flags=re.IGNORECASE)
matches

Dave     True
Steve    True
Rob      True
Wes       NaN
dtype: object

matches.str[0]

data.str[:5]

pd.options.display.max_rows = PREVIOUS_MAX_ROWS

Conclusion