01 生成數據表

第一部分是生成數據表，常見的生成方法有兩種，第一種是導入外部數據，第二種是直接寫入數據。 Excel 中的文件菜單中提供了獲取外部數據的功能，支持數據庫和文本文件和頁面的多種數據源導入。

獲取外部數據

python 支持從多種類型的數據導入。在開始使用 python 進行數據導入前需要先導入 pandas 庫，為了方便起見，我們也同時導入 numpy 庫。

1import numpy as np2import pandas as pd

導入數據表

下面分別是從 excel 和 csv 格式文件導入數據并創建數據表的方法。代碼是最簡模式，里面有很多可選參數設置，例如列名稱，索引列，數據格式等等。感興趣的朋友可以參考 pandas 的

官方文檔。

1df=pd.DataFrame(pd.read_csv('name.csv',header=1))2df=pd.DataFrame(pd.read_excel('name.xlsx'))

創建數據表

另一種方法是通過直接寫入數據來生成數據表，excel 中直接在單元格中輸入數據就可以，python 中通過下面的代碼來實現。生成數據表的函數是 pandas 庫中的 DateFrame 函數，數據表一共有 6 行數據，每行有 6 個字段。在數據中我們特意設置了一些 NA 值和有問題的字段，例如包含空格等。后面將在數據清洗步驟進行處理。后面我們將統一以 DataFrame 的簡稱 df 來命名數據表。

1df = pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006],2 "date":pd.date_range('20130102', periods=6),3 "city":['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '],4 "age":[23,44,54,32,34,32],5 "category":['100-A','100-B','110-A','110-C','210-A','130-F'],6 "price":[1200,np.nan,2133,5433,np.nan,4432]},7 columns =['id','date','city','category','age','price'])

這是剛剛創建的數據表，我們沒有設置索引列，price 字段中包含有 NA 值，city 字段中還包含了一些臟數據。

df

02 數據表檢查

第二部分是對數據表進行檢查，python 中處理的數據量通常會比較大，比如我們之前的文章中介紹的紐約出租車數據和 Citibike 的騎行數據，數據量都在千萬級，我們無法一目了然的 了解數據表的整體情況，必須要通過一些方法來獲得數據表的關鍵信息。數據表檢查的另一個目的是了解數據的概況，例如整個數據表的大小，所占空間，數據格式，是否有空值和重復項和具體的數據內容。為后面的清洗和預處理做好準備。

數據維度(行列)

Excel 中可以通過 CTRL+向下的光標鍵，和 CTRL+向右的光標鍵來查看行號和列號。Python 中使用 shape 函數來查看數據表的維度，也就是行數和列數，函數返回的結果(6,6)表示數據表有 6 行，6 列。下面是具體的代碼。

1#查看數據表的維度2df.shape3(6, 6)

數據表信息

使用 info 函數查看數據表的整體信息，這里返回的信息比較多，包括數據維度，列名稱，數據格式和所占空間等信息。

1#數據表信息 2df.info() 3 4 5RangeIndex: 6 entries, 0 to 5 6Data columns (total 6 columns): 7id 6 non-null int64 8date 6 non-null datetime64[ns] 9city 6 non-null object10category 6 non-null object11age 6 non-null int6412price 4 non-null float6413dtypes: datetime64[ns](1), float64(1), int64(2), object(2)14memory usage: 368.0+ bytes

查看數據格式

Excel 中通過選中單元格并查看開始菜單中的數值類型來判斷數據的格式。Python 中使用 dtypes 函數來返回數據格式。

Dtypes 是一個查看數據格式的函數，可以一次性查看數據表中所有數據的格式，也可以指定一列來單獨查看。

1#查看數據表各列格式 2df.dtypes 3 4id int64 5date datetime64[ns] 6city object 7category object 8age int64 9price float6410dtype: object1112#查看單列格式13df['B'].dtype1415dtype('int64')

查看空值

Excel 中查看空值的方法是使用“定位條件”功能對數據表中的空值進行定位?！岸ㄎ粭l件”在“開始”目錄下的“查找和選擇”目錄中。

查看空值

Isnull 是 Python 中檢驗空值的函數，返回的結果是邏輯值，包含空值返回 True，不包含則返回 False?？梢詫φ麄€數據表進行檢查，也可以單獨對某一列進行空值檢查。

1#檢查數據空值2df.isnull()

df_isnull

1#檢查特定列空值 2df['price'].isnull() 3 40 False 51 True 62 False 73 False 84 True 95 False10Name: price, dtype: bool

查看唯一值

Excel 中查看唯一值的方法是使用“條件格式”對唯一值進行顏色標記。Python 中使用 unique 函數查看唯一值。

查看唯一值

Unique 是查看唯一值的函數，只能對數據表中的特定列進行檢查。下面是代碼，返回的結果是該列中的唯一值。類似與 Excel 中刪除重復項后的結果。

1#查看 city 列中的唯一值2df['city'].unique()34array(['Beijing ', 'SH', ' guangzhou ', 'Shenzhen', 'shanghai', 'BEIJING '], dtype=object)

查看數據表數值

Python 中的 Values 函數用來查看數據表中的數值。以數組的形式返回，不包含表頭信息。

1#查看數據表的值 2df.values 3 4array([[1001, Timestamp('2013-01-02 00:00:00'), 'Beijing ', '100-A', 23, 5 1200.0], 6 [1002, Timestamp('2013-01-03 00:00:00'), 'SH', '100-B', 44, nan], 7 [1003, Timestamp('2013-01-04 00:00:00'), ' guangzhou ', '110-A', 54, 8 2133.0], 9 [1004, Timestamp('2013-01-05 00:00:00'), 'Shenzhen', '110-C', 32,10 5433.0],11 [1005, Timestamp('2013-01-06 00:00:00'), 'shanghai', '210-A', 34,12 nan],13 [1006, Timestamp('2013-01-07 00:00:00'), 'BEIJING ', '130-F', 32,14 4432.0]], dtype=object)

查看列名稱

Colums 函數用來單獨查看數據表中的列名稱。

1#查看列名稱2df.columns34Index(['id', 'date', 'city', 'category', 'age', 'price'], dtype='object')

查看前 10 行數據

Head 函數用來查看數據表中的前 N 行數據，默認 head()顯示前 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看前 3 行的數據。

1`#查看前 3 行數據``df.head(``3``)`

df_head(3)

查看后 10 行數據

Tail 行數與 head 函數相反，用來查看數據表中后 N 行的數據，默認 tail()顯示后 10 行數據，可以自己設置參數值來確定查看的行數。下面的代碼中設置查看后 3 行的數據。

1`#查看最后 3 行``df.tail(``3``)`

df_tail(3)

03 數據表清洗

第三部分是對數據表中的問題進行清洗。主要內容包括對空值，大小寫問題，數據格式和重復值的處理。這里不包含對數據間的邏輯驗證。

處理空值(刪除或填充)

我們在創建數據表的時候在 price 字段中故意設置了幾個 NA 值。對于空值的處理方式有很多種，可以直接刪除包含空值的數據，也可以對空值進行填充，比如用 0 填充或者用均值填充。還可以根據不同字段的邏輯對空值進行推算。

Excel 中可以通過“查找和替換”功能對空值進行處理，將空值統一替換為 0 或均值。也可以通過“定位”空值來實現。

查找和替換空值

Python 中處理空值的方法比較靈活，可以使用 Dropna 函數用來刪除數據表中包含空值的數據，也可以使用 fillna 函數對空值進行填充。下面的代碼和結果中可以看到使用 dropna 函數后，包含 NA 值的兩個字段已經不見了。返回的是一個不包含空值的數據表。

1#刪除數據表中含有空值的行2df.dropna(how='any')

df_dropna

除此之外也可以使用數字對空值進行填充，下面的代碼使用 fillna 函數對空值字段填充數字 0。

1#使用數字 0 填充數據表中空值2df.fillna(value=0)

我們選擇填充的方式來處理空值，使用 price 列的均值來填充 NA 字段，同樣使用 fillna 函數，在要填充的數值中使用 mean 函數先計算 price 列當前的均值，然后使用這個均值對 NA 進行填

充?？梢钥吹絻蓚€空值字段顯示為 3299.5

1#使用 price 均值對 NA 進行填充 2df['price'].fillna(df['price'].mean()) 3 40 1200.0 51 3299.5 62 2133.0 73 5433.0 84 3299.5 95 4432.010Name: price, dtype: float64

df_nan

清理空格

除了空值，字符中的空格也是數據清洗中一個常見的問題，下面是清除字符中空格的代碼。

1#清除 city 字段中的字符空格2df['city']=df['city'].map(str.strip)

大小寫轉換

在英文字段中，字母的大小寫不統一也是一個常見的問題。Excel 中有 UPPER，LOWER 等函數，python 中也有同名函數用來解決大小寫的問題。在數據表的 city 列中就存在這樣的問題。我們將 city 列的所有字母轉換為小寫。下面是具體的代碼和結果。

1#city 列大小寫轉換2df['city']=df['city'].str.lower()

lower

更改數據格式

Excel 中通過“設置單元格格式”功能可以修改數據格式。Python 中通過 astype 函數用來修改數據格式。

設置單元格格式

Python 中 dtype 是查看數據格式的函數，與之對應的是 astype 函數，用來更改數據格式。下面的代碼中將 price 字段的值修改為 int 格式。

1#更改數據格式 2df['price'].astype('int') 3 40 1200 51 3299 62 2133 73 5433 84 3299 95 443210Name: price, dtype: int32

更改列名稱

Rename 是更改列名稱的函數，我們將來數據表中的 category 列更改為 category-size。下面是具體的代碼和更改后的結果。

1#更改列名稱2df.rename(columns={'category': 'category-size'})

df_rename

刪除重復值

很多數據表中還包含重復值的問題，Excel 的數據目錄下有“刪除重復項”的功能，可以用來刪除數據表中的重復值。默認 Excel 會保留最先出現的數據，刪除后面重復出現的數據。

刪除重復項

Python 中使用 drop_duplicates 函數刪除重復值。我們以數據表中的 city 列為例，city 字段中存在重復值。默認情況下 drop_duplicates()將刪除后出現的重復值(與 excel 邏輯一致)。增加 keep=’last’參數后將刪除最先出現的重復值，保留最后的值。下面是具體的代碼和比較結果。

原始的 city 列中 beijing 存在重復，分別在第一位和最后一位。

1df['city']20 beijing31 sh42 guangzhou53 shenzhen64 shanghai75 beijing8Name: city, dtype: object

使用默認的 drop_duplicates()函數刪除重復值，從結果中可以看到第一位的 beijing 被保留，最后出現的 beijing 被刪除。

1#刪除后出現的重復值2df['city'].drop_duplicates()30 beijing41 sh52 guangzhou63 shenzhen74 shanghai8Name: city, dtype: object

設置 keep=’last‘’參數后，與之前刪除重復值的結果相反，第一位出現的 beijing 被刪除，保留了最后一位出現的 beijing。

1#刪除先出現的重復值2df['city'].drop_duplicates(keep='last')31 sh42 guangzhou53 shenzhen64 shanghai75 beijing8Name: city, dtype: objec

數值修改及替換

數據清洗中最后一個問題是數值修改或替換，Excel 中使用“查找和替換”功能就可以實現數值的替換。

查找和替換空值

Python 中使用 replace 函數實現數據替換。數據表中 city 字段上海存在兩種寫法，分別為 shanghai 和 SH。我們使用 replace 函數對 SH 進行替換。

1#數據替換2df['city'].replace('sh', 'shanghai')30 beijing41 shanghai52 guangzhou63 shenzhen74 shanghai85 beijing9Name: city, dtype: object

本篇文章這是系列的第二篇，介紹第 4-6 部分的內容，數據表生成，數據表查看，和數據清洗。

04 數據預處理

第四部分是數據的預處理，對清洗完的數據進行整理以便后期的統計和分析工作。主要包括數據表的合并，排序，數值分列，數據分

組及標記等工作。

數據表合并

首先是對不同的數據表進行合并，我們這里創建一個新的數據表 df1，并將 df 和 df1 兩個數據表進行合并。在 Excel 中沒有直接完成數據表合并的功能，可以通過 VLOOKUP 函數分步實現。在 python 中可以通過 merge 函數一次性實現。下面建立 df1 數據表，用于和 df 數據表進行合并。

1#創建 df1 數據表2df1=pd.DataFrame({"id":[1001,1002,1003,1004,1005,1006,1007,1008],3"gender":['male','female','male','female','male','female','male','female'],4"pay":['Y','N','Y','Y','N','Y','N','Y',],5"m-point":[10,12,20,40,40,40,30,20]})

df1

使用 merge 函數對兩個數據表進行合并，合并的方式為 inner，將兩個數據表中共有的數據匹配到一起生成新的數據表。并命名為 df_inner。

1#數據表匹配合并，inner 模式2df_inner=pd.merge(df,df1,how='inner')

df_inner

除了 inner 方式以外，合并的方式還有 left，right 和 outer 方式。這幾種方式的差別在我其他的文章中有詳細的說明和對比。

1#其他數據表匹配模式2df_left=pd.merge(df,df1,how='left')3df_right=pd.merge(df,df1,how='right')4df_outer=pd.merge(df,df1,how='outer')

設置索引列

完成數據表的合并后，我們對 df_inner 數據表設置索引列，索引列的功能很多，可以進行數據提取，匯總，也可以進行數據篩選等。

設置索引的函數為 set_index。

1#設置索引列2df_inner.set_index('id')

df_inner_set_index

排序(按索引，按數值)

Excel 中可以通過數據目錄下的排序按鈕直接對數據表進行排序，比較簡單。Python 中需要使用 ort_values 函數和 sort_index 函數完成排序。

排序

在 python 中，既可以按索引對數據表進行排序，也可以看制定列的數值進行排序。首先我們按 age 列中用戶的年齡對數據表進行排序。

使用的函數為 sort_values。

1#按特定列的值排序2df_inner.sort_values(by=['age'])

sort_values

Sort_index 函數用來將數據表按索引列的值進行排序。

1#按索引列排序2df_inner.sort_index()

sort_index

數據分組

Excel 中可以通過 VLOOKUP 函數進行近似匹配來完成對數值的分組，或者使用“數據透視表”來完成分組。相應的 python 中使用 where 函數完成數據分組。

Where 函數用來對數據進行判斷和分組，下面的代碼中我們對 price 列的值進行判斷，將符合條件的分為一組，不符合條件的分為另一組，并使用 group 字段進行標記。

1#如果 price 列的值>3000，group 列顯示 high，否則顯示 low2df_inner['group'] = np.where(df_inner['price'] > 3000,'high','low')

where

除了 where 函數以外，還可以對多個字段的值進行判斷后對數據進行分組，下面的代碼中對 city 列等于 beijing 并且 price 列大于等于 4000 的數據標記為 1。

1#對復合多個條件的數據進行分組標記2df_inner.loc[(df_inner['city'] == 'beijing') & (df_inner['price'] >= 4000), 'sign']=1

sign

數據分列

與數據分組相反的是對數值進行分列，Excel 中的數據目錄下提供“分列”功能。在 python 中使用 split 函數實現分列。

數據分列

在數據表中 category 列中的數據包含有兩個信息，前面的數字為類別 id，后面的字母為 size 值。中間以連字符進行連接。我們使用 split 函數對這個字段進行拆分，并將拆分后的數據表匹配回原數據表中。

1#對 category 字段的值依次進行分列，并創建數據表，索引值為 df_inner 的索引列，列名稱為 category 和 size2pd.DataFrame((x.split('-') for x in df_inner['category']),index=df_inner.index,columns=['category','size'])

split

1#將完成分列后的數據表與原 df_inner 數據表進行匹配2df_inner=pd.merge(df_inner,split,right_index=True, left_index=True)

merge_1

05 數據提取

第五部分是數據提取，也是數據分析中最常見的一個工作。這部分主要使用三個函數，loc，iloc 和 ix，loc 函數按標簽值進行提取，iloc 按位置進行提取，ix 可以同時按標簽和位置進行提取。下面介紹每一種函數的使用方法。

按標簽提取(loc)

Loc 函數按數據表的索引標簽進行提取，下面的代碼中提取了索引列為 3 的單條數據。

1#按索引提取單行的數值 2df_inner.loc[3] 3id 1004 4date 2013-01-05 00:00:00 5city shenzhen 6category 110-C 7age 32 8price 5433 9gender female10m-point 4011pay Y12group high13sign NaN14category_1 11015size C16Name: 3, dtype: object

使用冒號可以限定提取數據的范圍，冒號前面為開始的標簽值，后面為結束的標簽值。下面提取了 0 到 5 的數據行。

1#按索引提取區域行數值2df_inner.loc[0:5]

df_inner_loc1

Reset_index 函數用于恢復索引，這里我們重新將 date 字段的日期設置為數據表的索引，并按日期進行數據提取。

1#重設索引2df_inner.reset_index()

reset_index

1#設置日期為索引2df_inner=df_inner.set_index('date')

set_index_date

使用冒號限定提取數據的范圍，冒號前面為空表示從 0 開始。提取所有 2013 年 1 月 4 日以前的數據。

1#提取 4 日之前的所有數據2df_inner[:'2013-01-04']

按提起提取

按位置提取(iloc)

使用 iloc 函數按位置對數據表中的數據進行提取，這里冒號前后的數字不再是索引的標簽名稱，而是數據所在的位置，從 0 開始。

1#使用 iloc 按位置區域提取數據2df_inner.iloc[:3,:2]

iloc1

iloc 函數除了可以按區域提取數據，還可以按位置逐條提取，前面方括號中的 0,2,5 表示數據所在行的位置，后面方括號中的數表示所在列的位置。

1#使用 iloc 按位置單獨提取數據2df_inner.iloc[[0,2,5],[4,5]]

iloc2

按標簽和位置提取(ix)

ix 是 loc 和 iloc 的混合，既能按索引標簽提取，也能按位置進行數據提取。下面代碼中行的位置按索引日期設置，列按位置設置。

1#使用 ix 按索引標簽和位置混合提取數據2df_inner.ix[:'2013-01-03',:4]

ix

按條件提取(區域和條件值)

除了按標簽和位置提起數據以外，還可以按具體的條件進行數據。下面使用 loc 和 isin 兩個函數配合使用，按指定條件對數據進行提取 。

使用 isin 函數對 city 中的值是否為 beijing 進行判斷。

1#判斷 city 列的值是否為 beijing 2df_inner['city'].isin(['beijing']) 3 4date 52013-01-02 True 62013-01-05 False 72013-01-07 True 82013-01-06 False 92013-01-03 False102013-01-04 False11Name: city, dtype: bool

將 isin 函數嵌套到 loc 的數據提取函數中，將判斷結果為 Ture 數據提取出來。這里我們把判斷條件改為 city 值是否為 beijing 和 shanghai。如果是就把這條數據提取出來。

1#先判斷 city 列里是否包含 beijing 和 shanghai，然后將復合條件的數據提取出來。2df_inner.loc[df_inner['city'].isin(['beijing','shanghai'])]

loc 按篩選條件提取

數值提取還可以完成類似數據分列的工作，從合并的數值中提取出制定的數值。

1category=df_inner['category'] 20 100-A 33 110-C 45 130-F 54 210-A 61 100-B 72 110-A 8Name: category, dtype: object 910#提取前三個字符，并生成數據表11pd.DataFrame(category.str[:3])

category_str

06 數據篩選

第六部分為數據篩選，使用與，或，非三個條件配合大于，小于和等于對數據進行篩選，并進行計數和求和。與 excel 中的篩選功能和 countifs 和 sumifs 功能相似。

按條件篩選(與，或，非)

Excel 數據目錄下提供了“篩選”功能，用于對數據表按不同的條件進行篩選。Python 中使用 loc 函數配合篩選條件來完成篩選功能。配合 sum 和 count 函數還能實現 excel 中 sumif 和 countif 函數的功能。

篩選

使用“與”條件進行篩選，條件是年齡大于 25 歲，并且城市為 beijing。篩選后只有一條數據符合要求。

1#使用“與”條件進行篩選2df_inner.loc[(df_inner['age'] > 25) & (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']]

與

使用“或”條件進行篩選，年齡大于 25 歲或城市為 beijing。篩選后有 6 條數據符合要求。

1#使用“或”條件篩選2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'), ['id','city','age','category','gender']].sort3(['age'])

或

在前面的代碼后增加 price 字段以及 sum 函數，按篩選后的結果將 price 字段值進行求和，相當于 excel 中 sumifs 的功能。

1#對篩選后的數據按 price 字段進行求和2df_inner.loc[(df_inner['age'] > 25) | (df_inner['city'] == 'beijing'),3['id','city','age','category','gender','price']].sort(['age']).price.sum()4519796

使用“非”條件進行篩選，城市不等于 beijing。符合條件的數據有 4 條。將篩選結果按 id 列進行排序。

1#使用“非”條件進行篩選2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id'])

非

在前面的代碼后面增加 city 列，并使用 count 函數進行計數。相當于 excel 中的 countifs 函數的功能。

1#對篩選后的數據按 city 列進行計數2df_inner.loc[(df_inner['city'] != 'beijing'), ['id','city','age','category','gender']].sort(['id']).city.count()34

還有一種篩選的方式是用 query 函數。下面是具體的代碼和篩選結果。

1#使用 query 函數進行篩選2df_inner.query('city == ["beijing 創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的python 删除特定行数据_怎么用 Python 做数据分析实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。