一、文件操作

1. pandas内置了10多种数据源读取函数,常见的就是CSV和EXCEL
2. 使用read_csv方法读取，结果为dataframe格式
3. 在读取csv文件时，文件名称尽量是英文
4. 读取csv时，注意编码，常用编码为utf-8、gbk 、gbk2312和gb18030等
5. 使用to_csv方法快速保存

1.1 csv文件读写

#读取文件，以下两种方式：
#使用pandas读入需要处理的表格及sheet页
import pandas as pd
df = pd.read_csv("test.csv",sheet_name=sheet1) #默认是utf-8编码
#或者使用with关键字
with open("test.csv",encoding="utf-8")as df: 
    #按行遍历
    for row in df:
        #修正
        row = row.replace(阴性,0).replace(00.,0.)
        ...
        print(row)

#将处理后的结果写入新表
#建议用utf-8编码或者中文gbk编码,默认是utf-8编码,index=False表示不写出行索引
df.to_csv(df_new.csv,encoding=utf-8,index=False)

1.2 excel文件读写

#读入需要处理的表格及sheet页
df = pd.read_excel(测试.xlsx,sheet_name=test)  
df = pd.read_excel(r测试.xlsx) #默认读入第一个sheet

#将处理后的结果写入新表
df1.to_excel(处理后的数据.xlsx,index=False)

二、数据清洗

2.1 删除空值

# 删除空值行
# 使用索引
df.dropna(axis=0,how=all)#删除全部值为空的行
df_1 = df[df[价格].notna()] #删除某一列值为空的行
df = df.dropna(axis=0,how=all,subset=[1,2,3,4,5])# 这5列值均为空，删除整行
df = df.dropna(axis=0,how=any,subset=[1,2,3,4,5])#这5列值任何出现一个空，即删除整行

2.2 删除不需要的列

# 使用del, 一次只能删除一列，不能一次删除多列 
del df[sample_1]  #修改源文件，且一次只能删除一个
del df[[sample_1, sample_2]]  #报错

#使用drop，有两种方法：
#使用列名
df = df.drop([sample_1, sample_2], axis=1) # axis=1 表示删除列
df.drop([sample_1, sample_2], axis=1, inplace=True) # inplace=True, 直接从内部删除
#使用索引
df.drop(df.columns[[0, 1, 2]], axis=1, inplace=True) # df.columns[ ] #直接使用索引查找列，删除前3列

2.3 删除不需要的行

#使用drop，有两种方法：
#使用行名
df = df.drop([行名1, 行名2]) # 默认axis=0 表示删除行
df.drop([行名1, 行名2], inplace=True) # inplace=True, 直接从内部删除
#使用索引
df.drop(df.index[[1, 3, 5]]) # df.index[ ]直接使用索引查找行，删除1,3，5行
df = df[df.index % 2 == 0]#删除偶数行

2.4 重置索引

#在删除了行列数据后，造成索引混乱，可通过 reset_index重新生成连续索引
df.reset_index()#获得新的index，原来的index变成数据列，保留下来
df.reset_index(drop=True)#不想保留原来的index，使用参数 drop=True，默认 False
df.reset_index(drop=True,inplace=True)#修改源文件
#使用某一列作为索引
df.set_index(column_name).head()

2.5 统计缺失

#每列的缺失数量
df.isnull().sum()
#每列缺失占比
df3.isnull().sum()/df.shape[0]
#每行的缺失数量
df3.isnull().sum(axis=1)
#每行缺失占比
df3.isnull().sum(axis=1)/df.shape[1]

2.6 排序

#按每行缺失值进行降序排序
df3.isnull().sum(axis=1).sort_values(ascending=False)
#按每列缺失率进行降序排序
(df.isnull().sum()/df.isnull().count()).sort_values(ascending=False)