python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > python dataframe选择某一列非空的行

python dataframe如何选择某一列非空的行

作者:达达爱吃肉

这篇文章主要介绍了python dataframe如何选择某一列非空的行问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教

dataframe选择某一列非空的行

如下所示:

data 为 dataframe 对象 col 为对应的列

def get_not_null_data(data, col):
    data = data[(data[col].notnull()) & (data[col] != "")]
    return data

dataframe常用方法

【Series】

性质:一维数组对象,类似NumPy 的一维array。

  除了包含一组数据还包含一组索引,所以可以把它理解为一组带索引的数组。

obj = Series([1,2,3,4],index = [‘a','b','c','d'])  #通过 index 参数显示指定索引
obj.index obj.values        #单独获取 Series 对象的索引或者数组内容

obj*2 obj+1 obj[obj>10]#对Series对象的运算(索引不变)

【DataFrame】

性质:一个表格型的数据结构。它提供有序的列和不同类型的列值。

创建:可以将一个{key:list[]}转换成DataFrame,key为columns   

DataFrame(data,columns = [‘col0','col1','col2'])#传入columns参数指定列的顺序

如果传入的列名找不到,它不会报错,而是产生一列 NA 值

获取数据:frame[‘col1’]frame.col1

删除数据:del frame[‘col1’]

【产生日期】

date_index = pd.date_range('11/19/2017', periods=10, freq='D')

常用方法

(1)reindex( )方法:重新索引

根据index参数重新进行排序。如果传入的索引值在数据里不存在,则不会报错,而是添加缺失值的新行。

不想用缺失值,可以用 fill_value 参数指定填充值。

e.gobj1 = obj.reindex([‘a','b','c'],fill_value = 0)

#fill_value 会让所有的缺失值都填充为同一个值,如果不想这样而是用相邻的元素(左或者右)的值填充,则可以用 method 参数,可选的参数值为 ffill 和 bfill,分别为用前值填充和用后值填充。
e.g obj2 = obj.reindex(range(6),method = ‘ffill')

(2)drop() 方法:丢弃数据

data.drop([‘idx1','idx2'])#删除行
data.drop([‘col1','col2'],axis = 1) #添加axis参数删除列

(3)索引、选取和过滤

[注意]利用索引的切片运算与普通的 Python 切片运算不同,其末端是包含的,既包含最后一个的项。

e.gobj[‘b’:’d’]包含’d’,但是obj[1:3]不包含3

loc和iloc

df.loc[index,column_names]#知道column names 和index,且两者都很好输入
df.iloc[index,col_index]#column_name太长;index是时间序列不好输入 i_index

ix操作:混合使用下标和名称进行选取

data.ix[‘idx',[‘col1','col2']]
data.ix[2] #第2行
data.ix[data.col1<5,:3] # data.col1<5的前2列

(4)算术运算和数据对齐

1)Series:将2个对象相加时,具有重叠索引的索引值会相加处理;不重叠的索引则取并集,值为 NA;

2)对齐操作会同时发生在行和列上,把2个对象相加会得到一个新的对象,其索引为原来2个对象的索引的并集;和Series 对象一样,不重叠的索引会取并集,值为 NA;如果不想这样,试试使用 add() 方法进行数据

填充:

df1+df2    #会出现NaN
df1.add(df2,fill_value = 0)#无NaN

(5)函数应用和映射

df1.astype(np.int32)
df2.apply(f)  #f = lambda x:x+1

(6)排序

df.sort_index(ascending = False)frame.sort_index(axis = 1)
Series: obj.sort_values()obj.sort_index()

排名

obj.rank(ascending = False) #索引位上的数的排名

带有重复值的轴索引

obj.index.is_unique#False

索引时,同时输出多个值 

(7)汇总统计和计算

df.sum()  #纵向汇总(行求和) aixs=1为横向汇总
df.cumsum()  #纵向汇总_累计汇总
df.idxmax()  #获取最大值对应的索引
obj.unique()  #返回数据里的唯一值array
obj. value_counts()#统计各值出现的频率,返回Series索引为值
obj. isin([‘c'])#判断成员资格,在原表基础上修正为bool

(8)处理缺失数据

使用isnull()和notnull()函数来判断缺失情况。

对于缺失数据一般处理方法为滤掉或者填充。

滤除缺失数据

data.dropna()  #返回一个包含非空数据和索引值的表,等价于data[data.notnull()]
data.dropna(how = ‘all')  #只有行里的数据全部为空时才丢弃,axis=1按列丢弃

填充缺失数据

df.fillna(0)  #用默认值填充缺失数据
df.fillna({0:10,1:20,2:200})#可以传入字典对不同的列填充不同的值(键表示列)

(9)层次化索引:能在一个数组上拥有多个索引,有点像Excel里的合并单元格

根据索引选择数据子集

data[‘a'] #以外层索引的方式选择数据子集
data[:,2] #以内层索引的方式选择数据
data.unstack() #多重索引Series转换为DataFrame,第二层索引为列

重排分级顺序

df. swaplevel(‘idx1_name', ‘idx2_name')#将两个级别的数据进行交换
df. sortlevel(0,ascending = False)#以行按第一层(0)进行排序
df. sortlevel(1,ascending = False,axis=1)#列按第二层(1)进行排序

根据级别汇总统计

多层次索引的数据,汇总的时候可以单独按照级别进行

df.sum(level='idx1_name')

(10)数据合并

a)pandas.merge():数据库风格的合并

pd.merge(df1,df2,on='col_coname') #以col_coname列当作键,默认内连接(inner),即键的交集
pd.merge(df1,df2,on='col_coname',how=‘left')#左连接(left),右连接(right)和外连接[并集](outer)
left.join(right) #以索引作为连接键

b)pandas.concat()方法:轴向连接,即沿着一条轴将多个对象堆叠到一起

pd.concat([s1,s2,s3]) #默认concat在竖轴(axis=0)上连接,即产生新的Series。

c)实例方法combine_first()方法:合并重叠数据

s1.combine_first(s2) #等价于np.where(pd.isnull(s1),s2,s1)

这是一个矢量化的if-else操作,如果s1里某个位置上的数据为空,则用s2同位置上的元素来补,你可以理解为“打补丁”操作。 

(11)数据重塑/轴向旋转

重塑指的是将数据重新排列,也叫轴向旋转。

stack: 将数据的列“旋转”为行。unstack:将数据的行“旋转”为列。

处理堆叠格式

堆叠格式也叫长格式,一般关系型数据库存储时间序列的数据会采用此种格式

df.pivot(‘col1','col2','col3') 

(12)数据转换:对数据的过滤、清理以及其他的转换操作。

移除重复数据

df.duplicated() #检测各行是否重复,默认判断全部列,默认保留第一个出现的值
df.duplicated([‘col1'])   #判断指定列
df.drop_duplicates() #丢弃重复行
df.drop_duplicates(keep=‘lost') #或传入take_last=True保留最后一个值

利用映射进行数据转换

data[‘new_col'] = data[‘col1'].map(col1_to_new_col)#map到一个dict
data[‘col1'].map(lambda x: col1_to_new_col[x]) #等价于使用函数

替换值

data.replace(value,np.nan)
data.replace([value1, value2],[ np.nan,0])

重命名轴索引

data.rename(index=str.title,columns=str.upper)

将数据划分成不同的组

scores=[40,54,60,85,87,81]
score_levels=[0,60,80,95]
cats = pd.cut(scores,score_levels) #输出内容为区间的列表
pd.value_counts(cats) #统计区间个数

检测和过滤异常值

data.decsribe() #产生数据的count,mean,std,min…
data[np.abs(data)>2] #找出绝对值大于2的值,不满足的为nan
data[np.abs(data)>2.any(1)] #找出绝对值大于2的行
data[np.abs(data)>2]=0 #将异常值设置为0

总结

以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。

您可能感兴趣的文章:
阅读全文