Pandas 是数据清洗基于NumPy的一种工具，该工具是盘点为解决数据分析任务而创建的。它提供了大量能使我们快速便捷地处理数据的数轻松搞函数和方法。
数据预览
对于探索性数据分析来说，数据清洗做数据分析前需要先看一下数据的盘点总体概况。info()方法用来查看数据集信息，数轻松搞describe()方法将返回描述性统计信息，数据清洗这两个函数大家应该都很熟悉了。盘点
describe方法默认只给出数值型变量的数轻松搞常用统计量，要想对DataFrame中的数据清洗每个变量进行汇总统计，可以将其中的盘点参数include设为all。
head()方法和tail() 方法则是数轻松搞分别显示数据集的前n和后n行数据。如果想要随机看N行的数据清洗数据，可以使用sample()方法。盘点
df.sample(3)
输出：
如果要检查数据中各列的数轻松搞数据类型，可以使用.dtypes；如果想要值查看所有的列名，可以使用.columns。
df.columns
输出：
Index([日期, 销量], dtype=object)
前面介绍的函数主要是读取数据集的WordPress模板数据信息，想要获得数据集的大小（长宽），可以使用.shape方法。
df.shape
输出：
(5, 2)
另外，len()可以查看某列的行数，count()则可以查看该列值的有效个数，不包含无效值（Nan）。
缺失值与重复值
Pandas清洗数据时，判断缺失值一般采用isnull()方法。此外，isnull().any()会判断哪些”列”存在缺失值，isnull().sum()用于将列中为空的个数统计出来。
df.isnull().any()
输出：
日期 False
销量 True
dtype: bool
发现“销量”这列存在缺失值后，处理办法要么删除dropna() ，要么填充fillna()。
df.fillna(50)
输出：
Pandas清洗数据时，判断重复值一般采用duplicated()方法。如果想要直接删除重复值，可以使用drop_duplicates() 方法。此处较为常见，不再过多演示。
数值数据操作
我们在处理数据的时候，会遇到批量替换的情况，replace()是很好的解决方法。它既支持替换全部或者某一行，网站模板也支持替换指定的某个或指定的多个数值（用字典的形式），还可以使用正则表达式替换。
df["编号"].replace(rBA.$, value=NEW, regex=True, inplace = True)
输出：
在Pandas模块中， 调⽤rank()⽅法可以实现数据排名。
df["排名"] = df.rank(method="dense").astype("int")
输出：
rank()⽅法中的method参数，它有5个常⽤选项，可以帮助我们实现不同情况下的排名。
clip()方法，用于对超过或者低于某些数的数值进行截断[1]，来保证数值在一定范围。比如每月的迟到天数一定是在0-31天之间。
df["迟到天数"] = df["迟到天数"].clip(0,31)
唯一值，unique()是以数组形式返回列的所有唯一值，而nunique()返回的是唯一值的个数。
df["gender"].unique()
df["gender"].nunique()
输出：
在数值数据操作中，apply()函数的功能是将一个自定义函数作用于DataFrame的行或者列；applymap()函数的功能是亿华云计算将自定义函数作用于DataFrame的所有元素。他们通常也与匿名函数lambda一起使用。
df["数量"].apply(lambda x: x+1)
输出：
文本数据操作
之前我们曾经介绍过经常被人忽视的：Pandas 文本型数据处理。在对文本型的数据进行处理时，我们会大量应用字符串的函数，来实现对一列文本数据进行操作[2]。
函数方法
用法释义
cat
字符串的拼接
contains
判断某个字符串是否包含给定字符
startswith/endswith
判断某个字符串是否以...开头/结尾
get
获取指定位置的字符串
len
计算字符串长度
upper、lower
英文大小写转换
pad/center
在字符串的左边、右边或左右两边添加给定字符
repeat
重复字符串几次
slice_replace
使用给定的字符串，替换指定的位置的字符
split
分割字符串，将一列扩展为多列
strip、rstrip、lstrip
去除空白符、换行符
findall
利用正则表达式，去字符串中匹配，返回查找结果的列表
extract、extractall
接受正则表达式，抽取匹配的字符串(一定要加上括号)
举例：
df.insert(2, "姓名",
df["姓"].str.cat(df["名"], sep=""))
输出：
df["手机号码"] = df["手机号码"].str.slice_replace(3,7,"*"*4)
输出：
df["地址"].str.extract("([\u4e00-\u9fa5]+)")
输出：
行/列操作
数据清洗时，会将带空值的行删除，此时DataFrame或Series类型的数据不再是连续的索引，可以使用reset_index()重置索引。
df.reset_index(drop=True)
输出：
rename()重命名用于更改行列的标签，即行列的索引。可以传入一个字典或者一个函数。在数据预处理中，比较常用。
df.rename(columns={mark: sell}, inplace=True)
输出：
行列转置，我们可以使用T属性获得转置后的DataFrame。
df.T
输出：
删除行列，可以使用drop()。
df.drop(columns=["mark"])
输出：
数据分析师在进行数据处理时经常会遇到长宽表互转的情况，这也是一道常见的数据分析面试题。
melt()方法可以将宽表转长表，即表格型数据转为树形数据。
df.melt(id_vars="姓名", var_name="科目", value_name="成绩")
输出：
pivot()方法可以将长表转宽表，即树形数据转为表格型数据。
df.pivot(index=姓名, columns=科目, values=成绩)
输出：
pivot()其实就是用 set_index()创建层次化索引，再用unstack()重塑
df1.set_index([姓名,科目]).unstack(科目)
数据分组与数据透视表更是一个常见的需求，groupby()方法可以用于数据分组。
df.groupby("科目").mean()
由于pivot_table()数据透视表的参数比较多，就不再使用案例来演示了，具体用法可参考下图。
数据筛选
如果是筛选行列的话，通常有以下几种方法：
有时我们需要按条件选择部分列、部分行，一般常用的方法有：
操作
语法
返回结果
选择列
df[col]
Series
按索引选择行
df.loc[label]
Series
按数字索引选择行
df.iloc[loc]
Series
使用切片选择行
df[:5]
DataFrame
用表达式筛选行[3]
df[bool_vec]
DataFrame
除此以外，还有很多方法/函数可以用于“数据筛选”。
如果想直接筛选包含特定字符的字符串，可以使用contains()这个方法。
例如，筛选户籍地址列中包含“黑龙江”这个字符的所有行。
df[df["户籍地址"].str.contains("黑龙江")]
query()查询方法也可以用来筛选数据，比如查询“语文”成绩大于“数学”成绩的行记录。
df.query("语文 > 英语")
输出：
select_dtypes()方法可用于筛选某些数据类型的变量或列。举例，我们仅选择具有数据类型int64的列。
df.select_dtypes("int64")
输出：
isin()接受一个列表，判断该列中元素是否在列表中。
name_list = ["张三", "李四"]
df[df["姓名"].isin(name_list)]
输出：
数值数据统计运算
在对数值型的数据进行统计运算时，除了有算术运算、比较预算还有各种常见的汇总统计运行函数，具体如下表所示。
函数方法
用法释义
count
非NaN数据项计数
sum
求和
mean
平均值
median
中位数
mode
众数
max
最大值
min
最小值
std
标准差
var
方差
quantile
分位数
skew
返回偏态系数
kurt
返回峰态系数
举例：
df["语文"].max()
输出：
155
最后，再说一个比较常用的统计运算函数——累加cumsum()。
df["累计销量"] = df["销量"].cumsum()
输出：
注：cumprod()方法是指连乘，用于与连加一样，但使用频率较少。
今天我们盘点了66个Pandas函数合集，但实际还有很多函数在本文中没有介绍，包括时间序列、数据表的拼接与连接等等。此外，那些类似describe()这种大家非常熟悉的方法都省去了代码演示。如果大家有在工作生活中进行“数据清洗”非常有用的Pandas函数，也可以在评论区交流。
参考资料
[1]小小明-Pandas的clip和replace正则替换: https://blog.csdn.net/as604049322/article/details/105985763
[2]经常被人忽视的：Pandas文本型数据处理: https://mp.weixin.qq.com/s/Tdcb6jlyCc7XlQWZlvEd_w
[3]深入浅出Pandas: 利用Python进行数据处理与分析
