python数据分析-数据清洗与整理
又开始我的好好学习之旅，这周学习数据分析,居老师日常动力！
今天要跟着罗罗攀（公众号：luoluopan1）学pandas数据清洗、合并、重塑以及字符串处理，数据均来自罗罗攀，敲棒~
1.数据清洗
处理缺失值
第一步：找出缺失值
主要通过 **isnull **和 **notnull **方法返回 **布尔值 **来判断什么位置有缺失值
(注：使用juypter notebok)
from pandas import DataFrame,Series
import pandas as pd
import numpy as np
df = DataFrame([[3,4,5],[1,6,np.nan],['xxj','xf',np.nan],[np.nan,'a','b']])
df.isnull()
df.notnull()
通过sum可以获得每一列的缺失值数量，在通过sum可以获得整个DataFrame的缺失值数量
df.isnull().sum()
df.isnull().sum().sum()
通过info的方法可以获得整个DataFrame的数据缺失情况
第二步：处理缺失值
主要有删除缺失值、填充缺失值两种方法
(1) 可通过dropna方法删除有缺失值的所在行，记住是所在整个行
dropna方法可传入参数，传入how=‘all’，则会删除全部都为NAN的行，还是整个行
df2 = DataFrame(np.arange(12).reshape(3,4))
df2[3]=np.nan
df2.iloc[2,:]=np.nan
df2.dropna(how='all')
如果想删除包含缺失值的所在整个列，同样传入参数axis=1即可
df2.dropna(how='all',axis=1)
(2) 填充缺失值
有时候我们不能删除数据时，可以通过fillna方法替换缺失值
df.fillna(0)
在fillna中传入字典结构可针对不同的列填充不同的值，注意针对的是列
但是这里对原始数据df2没有进行修改，可通过inplace对原数据进行修改
fillna还有很多参数，可以通过“？”来查询
df.fillna?
移除重复数据
尤其是爬虫过程中由于网络原因可以会有重复值，通过duplicated方法判断是否有重复值
通过drop_duplicates()方法删除重复项
每行每个字段都一样才会认为是重复项
我们可以通过指定部分列作为判断重复的依据
drop_duplicates()方法也是一样的
通过上面可以发现，总是保留最先出现的，可通过传入keep='last’保留最后一个出现的组合，虽然感觉保留谁反正都是一样的。。。。。= =
替换值
通过replace进行替换，传入方式可以是列表、字典
函数
map：将函数套用在Series的 每个元素中；
apply：将函数要用在DataFrame的行和列上；
applymap：讲函数套用在DataFrame的每个元素上
这里可以用map，也可以用apply
data = {
'name':['张三','李四','王五','张三'],
'math':[78,89,94,56]
}
df = DataFrame(data)
def f(x):
if x>= 90:
return '棒！'
elif 70<=x<90:
return '一般般！'
elif 60<=x<70:
return '差！'
else:
return '没救了！'
df['class'] = df['math'].map(f)
df检测异常值
通常使用可视化来看不正常的数据，但不代表所有离群点都是异常值，可能他本来就是这样的
通常会用散点图来观察plot(kind=‘scatter’)
虚拟变量
在机器学习中，只有数值型的数据才能被学习，对于一些分类变量则需要转换成虚拟变量（也就是0,1矩阵，有是1，没有是0），通过get_dummies函数即可实现
df = DataFrame({
'朝向':['东','南','西','东','北','东'],
'价格':[1200,2300,2100,2900,1400,5600]
})
pd.get_dummies(df['朝向'])
对于多类别的数据而言，需要通过函数来解决，dummies没有办法直接处理
dummies = df2['朝向'].apply(lambda x : Series(x.split('/')).value_counts())
dummies = dummies.fillna(0).astype(int)
dummies
2.数据合并和重塑
merge合并
通过merge函数按照一个或多个键将两个DataFrame按行合并起来
连接方式有：inner内连接，left左连接，right右连接，outer外连接
merge默认是inner，即返回的为交集，只连接都有的值
可以指定按什么键链接
pd.merge(amount,price,on='fruit')
pd.merge(amount,price,left_on='fruit2',right_on='fruit1')
不同的连接方式：
以上是多对一的连接，因为price的fruit都是唯一值，如果是多对多，则会出现笛卡尔积
可以通过多个键进行合并
合并时可能存在重名，默认操作是加后缀 _x 和 _y
我们也可以利用suffixes进行自定义
可能连接的键是在DataFrame的索引上，可通过left_index=True或者right_index=True来指定索引作为连接键
DataFrame有join方法，可以按索引合并
注:列表名不能一样，这里是value1和value2，如果一样会报错
concat连接
如果合并的数据没有连接键，则不能使用merge，可以使用concat方法
默认情况下concat是axis=0，即垂直连接进行堆积
也可以水平连接
这样进行连接，在pd里会生成DataFrame，类似于外连接
concat只有内连接和外连接，通过join=‘inner’实现内连接
通过join_axes=[]来改变索引的顺序
连接对象在结果中是无法分开的，可通过keys参数给连接的对象创建一个层次化索引
如果按列进行连接，keys就成了列索引
combine_first合并
如果需要合并的两个DataFrame存在重复的列索引，可以使用combine_first方法，类似于打补丁。
4. 数据重塑
两个常用方法：stack方法将DF的列“旋转”为行，unstack方法将DF的行“旋转”为列
df = DataFrame(np.arange(9).reshape(3,3),
index=['a','b','c'],
columns=['one','two','three'])
df.index.name = 'alpha'
df.columns.name = 'number'
result = df.stack()
result
df.unstack是互逆的
默认下，数据重塑操作都是最内层的，也可以通过级别的编号和名称制定其他级别进行重塑
数据重塑的操作是最内层的，操作结果也是使旋转轴位于最低级别
3. 字符串处理
字符串方法，通过使用pandas中str属性
字符串处理还可以用正则表达式
4. 综合案例
第一步：数据来源
Iris（鸢尾花卉）数据
第二步：定义问题
按照鸢尾花特征分出鸢尾花的分类
第三步：清洗数据
（1）检查数据是否有异常
对数据进行简单描述，用describe()函数
通过unique函数检查类别有几种（数据被修改过方便做练习——《从零开始学python数据分析》）
应该是三种类别，这里有5种，可以发现类别的名字写错了，应该是Iris_setosa，Iris_virginica，Iris_versicolor这三种。
对原始数据进行修改
iris_data.loc[iris_data['class']=='versicolor','class']='Iris-versicolor'
iris_data.loc[iris_data['class']=='Iris-setossa','class']='Iris-setosa'
sns.pairplot(iris_data,hue='class')
先观察第一列：有几个Iris_versicolor样本中的sepal_length_cm偏离了大部分数据
切数据均小于0.1，通过索引选取Iris_versicolor样本中sepal_length_cm值小于0.1的数据，且假设这些数据是因为单位设置问题，即*100
iris_data.loc[(iris_data['class']=='Iris-versicolor') & (iris_data['sepal_length_cm'] < 0.1),'sepal_length_cm'] *=100
iris_data.loc[(iris_data['class']=='Iris-versicolor')]
观察第二行：一个Iris_setosa样本的sepal_width_cm偏离了大部分的点
通过对Iris_setosa的花萼宽度回执直方图进行观察
为了观察的更仔细，可以发现异常值都大于2.5cm，所以先把小于2.5cm的过滤掉
（2）检查数据是否有缺失
可以发现其中花瓣宽度有5条缺失值
把缺失值删除掉
注：inplace是指在原始数据进行修改
最后对清洗好的数据进行保存，一遍后续的数据探索
第四步：数据探索
还是利用之前的散点矩阵代码，对新的数据进行可视化
还可以绘制其他的图形，如直方图
