Pandas 数据处理：空值清洗、替换填充、级联与合并拼接

  针对空值的处理，首先要来了解一下空值[python基础教程](https://www.xin3721.com/eschool/pythonxin3721/)的类型：

一、pandas中的None 和 NaN 有什么区别？
type(None) --类型是 NoneType 空的对象类型

  type(NaN)      --类型是  float 浮点型

  注意：Pandas中None 和 NaN 都视作np.nan 
2
3

二、Pandas 的空值操c#教程作

isnull() 判断null ，返回True/False 的数组
notnull() 空值判断
dropna() 过滤空值数据
fillna() 填充丢失数据
1、使用pandas过滤空值：

df.isnull().any(axis = 1)
# 解析： any中轴向：axis = 0  表示列   axis = 1  表示行
# 新函数：  all(axis = 0)   所有数据
           any(axis = 0)   任何一个
 
# df.isnull()表示返回一组True/False 的数组，any(axis = 1)表示横向判断行，一行中任意一个为true就这行就返回 True, 最后返回一维数组
#  最终返回结果如下：
1    False
2    True
3    False
4    False
5    True
 
#  扩展： df.isnull().all(axis = 1) 一行中任意一个为False就这行就返回 False, 最后返回一维数组
      notnull() 的使用方法和isnull()正好相反：


df.notnull().all(axis = 1)
 
# 一行中任意一个为False就这行就返回 False, 最后返回一维数组
#  最终返回结果如下：
1    True
2    False
3    True
4    True
5    False
 
# 总结：  固定搭配如下：
          isnull()  --> any()
          notnull()  -->all()
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

  最后过滤掉有空值的行

1
df.iloc[df.notnull().all(axis = 1)]
2、df.dropna() 过滤空数据所在的行或列 (可直接过滤)
df.dropna() 可以选择过滤的是行还是列，默认是行，dropna中axis=0 表示行; axis=1 表示列

1
df.dropna(axis=0) #等同于上面过滤方式，封装了上面操作
3、fillna() 填充丢失/空值数据
fillna中 axis=0 表示列；axis=1 表示行

       可选择向前或向后填充：

method =‘bfill’ 向后覆盖(空值取前一个)；
method =‘ffill’ 向前覆盖(空值取后一个)；

df.fillna(value =5555) #填充df 中所有空值数据

df.fillna(method =‘bfill’,axis=0) # 列里的空值取列里空值取前一个填充
4、drop 删除数据
drop 中 axis=0 表示行，axis=1 表示列

     删除无用的列，列索引：'name','name1'；inplace参数指是否替代原来的df

               data.drop(labels=['name','name1'],axis = 1,inplace=True)     

      删除无用的行，行索引：'涨跌'

               df.drop(['涨跌'], axis=0, inplace=True)   

5、Pandas 删除空值行数据、替换空值案例代码： 
2
3
4
5
6
7
8
9

import pandas as pd
from pandas import Series,DataFram
import numpy as np
 
# 提取数据
data = pd.read_excel('./测试数据.excel')
 
# 删除无用的列，列索引：'name','name1'
data.drop(labels=['name','name1'],axis = 1,inplace=True)    
 
# 删除空数据所在的行
data.dropna(axis=0)   
 
# 覆盖
v_1 = data.fillna(method='ffill',axis=0) .fillna(method='bfill',axis=0)
 
# 检测v_1中是否有空值
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

v_1.isnull().any(axis = 0) #通常检测列里是否有空值，因为行数太多
三、pandas的级联操作
定义：对DataFram 进行横向或纵向的拼接

             使用pandas.concat()级联   

1、匹配级联
和numpy.concatenate一样，优先增加行数（默认axis=0 )，numpy.concatenate(axis=1)的时候是水平的级联,numpy中没有index,和columns,所以只要行列相等就可以级联，

在pandas中,如果行 和 列不一致,但是shape相同,会级联成一个更大的df,不对应的值会填充NaN。
注意：

横向级联 axis=1：按列拼接—>在列vb.net教程

上增加，行索引不匹配填充NaN

    匹配级联拼接案例分析：

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
def make_df(cols,index):
    data = {col:[str(col)+str(ind) for ind in index] for col in cols}
    df = DataFrame(data = data,columns = cols ,index = index )
    return df
 
df1 = make_df(['a','b','c'],[1,2,3])
# 输出
    a   b   c
1 a1 b1 c1
2 a2 b2 c2
3 a3 b3 c3
 
df2 = make_df(['a','b','c'],[4,5,6])
# 输出
    a   b   c
4 a4 b4 c4
5 a5 b5 c5
6 a6 b6 c6
 
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

pd.concat([df1,df2],axis=1)
结果如下：
a b c a b c
1 a1 b1 c1 NaN NaN NaN
2 a2 b2 c2 NaN NaN NaN
3 a3 b3 c3 NaN NaN NaN
4 NaN NaN NaN a4 b4 c4
5 NaN NaN NaN a5 b5 c5
6 NaN NaN NaN a6 b6 c6

pd.concat([df1,df2],axis=0)
结果如下：
a b c
1 a1 b1 c1
2 a2 b2 c2
3 a3 b3 c3
4 a4 b4 c4
5 a5 b5 c5
6 a6 b6 c6
2、不匹配级联
纵向级联( axis=0 -->在行上增加)时列索引不一致，

    横向级联( axis=1 -->在列上增加)时行索引不一致

  2.1、外连接：补NaN（默认）
2
3

df1 = make_df(['a','b','c'],[1,2,3])
# 输出
   a  b  c
1 a1 b1 c1
2 a2 b2 c2
3 a3 b3 c3
 
df5 = make_df(['c','d','e'],[3,4,5])
# 输出
   c  d  e
3 c3 d3 e3
4 c4 d4 e4
5 c5 d5 e5
 
df6 = pd.concat([df1,df5],axis=1)
# 输出
     a     b    c     c    d    e
1    a1    b1   c1   NaN  NaN  NaN
2    a2    b2   c2   NaN  NaN  NaN
3    a3    b3   c3   c3   d3   e3
4   NaN   NaN   NaN  c4   d4   e4
5   NaN   NaN   NaN  c5   d5   e5
 
df6 = pd.concat([df1,df5],axis=0)
# 输出
     a     b   c    d     e
1    a1   b1   c1   NaN  NaN
2    a2   b2   c2   NaN  NaN
3    a3   b3   c3   NaN  NaN
3   NaN  NaN   c3   d3    e3
4   NaN  NaN   c4   d4    e4
5   NaN  NaN   c5   d5    e5
　 2.2、内连接(join='inner')：只连接匹配的项(行或者列)其他项(行或者列)忽略
        join_axes=[df1.columns] 的值是一个列表，表示指定以 df1.columns列索引 或 df1.index行索引为连接，只连接匹配的项(行或者列)


df6 = pd.concat([df1,df5],axis=1,join='inner')
# 输出
  a  b  c  c  d  e
3 a3 b3 c3 c3 d3 e3
 
df7 = pd.concat([df1,df5],join_axes=[df1.columns])
#join_axes 的值是一个列表[df1.index]
# 输出
    a  b  c
1  a1 b1  c1
2  a2 b2  c2
3  a3 b3  c3
3 NaN NaN c3
4 NaN NaN c4
5 NaN NaN c5
     2.3、使用append()函数添加　
      append专门用于在后面添加，append 和 concat 相似

      append是纵向拼接，( axis=0 -->在行上增加)


df1.append(df5)
# 同如下拼接方式
df6 = pd.concat([df1,df5],axis=0)
# 输出
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61

a b c d e
1 a1 b1 c1 NaN NaN
2 a2 b2 c2 NaN NaN
3 a3 b3 c3 NaN NaN
3 NaN NaN c3 d3 e3
4 NaN NaN c4 d4 e4
5 NaN NaN c5 d5 e5
四、Pandas的 合并拼接操作
merge方法主要基于两个dataframe的共同列进行合并，

   join方法主要基于两个dataframe的索引进行合并，

   concat方法是对series或dataframe进行行拼接或列拼接。
2
3

1. Merge方法
   pandas的merge方法是基于共同列，将两个dataframe连接起来。merge方法的主要参数：

left/right：左/右位置的dataframe。
how：数据合并的方式。left：基于左dataframe列的数据合并；right：基于右dataframe列的数据合并；outer：基于列的数据外合并（取并集）；inner：基于列的数据内合并（取交集）；默认为’inner’。
on：用来合并的列名，这个参数需要保证两个dataframe有相同的列名。
left_on/right_on：左/右dataframe合并的列名，也可为索引，数组和列表。
left_index/right_index：是否以index作为数据合并的列名，True表示是。
sort：根据dataframe合并的keys排序，默认是。
suffixes：若有相同列且该列没有作为合并的列，可通过suffixes设置该列的后缀名，一般为元组和列表类型。
merges通过设置how参数选择两个dataframe的连接方式，有内连接，外连接，左连接，右连接，下面通过例子介绍连接的含义。

1.1 内连接
　　how=‘inner’，dataframe的链接方式为内连接，我们可以理解基于共同列的交集进行连接，参数on设置连接的共有列名

# 单列的内连接
# 定义df1
import pandas as pd
import numpy as np

df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'feature1':[1,1,2,3,3,1],
            'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'pazham':['apple','orange','pine','pear'],
            'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])})
# print(df1)
# print(df2)
# 基于共同列alpha的内连接
df3 = pd.merge(df1,df2,how='inner',on='alpha')
df3
2
3
4
5
6
7
8
9
10
11
12
13
14
15

取共同列alpha值的交集进行连接。

1.2 外连接
　　how=‘outer’，dataframe的链接方式为外连接，我们可以理解基于共同列的并集进行连接，参数on设置连接的共有列名。

# 单列的外连接
# 定义df1
df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'feature1':[1,1,2,3,3,1],
                'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'pazham':['apple','orange','pine','pear'],
                        'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])})
# 基于共同列alpha的内连接
df4 = pd.merge(df1,df2,how='outer',on='alpha')
df4
2
3
4
5
6
7
8
9
10

 若两个dataframe间除了on设置的连接列外并无相同列，则该列的值置为NaN。

1.3 左连接
　　how=‘left’，dataframe的链接方式为左连接，我们可以理解基于左边位置dataframe的列进行连接，参数on设置连接的共有列名。

# 单列的左连接
# 定义df1
df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'feature1':[1,1,2,3,3,1],
    'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'pazham':['apple','orange','pine','pear'],
                        'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])})
# 基于共同列alpha的左连接
df5 = pd.merge(df1,df2,how='left',on='alpha')
df5
2
3
4
5
6
7
8
9
10

 因为df2的连接列alpha有两个'A'值，所以左连接的df5有两个'A'值，若两个dataframe间除了on设置的连接列外并无相同列，则该列的值置为NaN。

1.4 右连接
　 how=‘right’，dataframe的链接方式为左连接，我们可以理解基于右边位置dataframe的列进行连接，参数on设置连接的共有列名。

# 单列的右连接
# 定义df1
df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'feature1':[1,1,2,3,3,1],
'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'pazham':['apple','orange','pine','pear'],
                        'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])})
# 基于共同列alpha的右连接
df6 = pd.merge(df1,df2,how='right',on='alpha')
df6
2
3
4
5
6
7
8
9
10

  因为df1的连接列alpha有两个'B'值，所以右连接的df6有两个'B'值。若两个dataframe间除了on设置的连接列外并无相同列，则该列的值置为NaN。

1.5 基于多列的连接算法
　　多列连接的算法与单列连接一致，本节只介绍基于多列的内连接和右连接，读者可自己编码并按照本文给出的图解方式去理解外连接和左连接。

多列的内连接：

# 多列的内连接
# 定义df1
df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'beta':['a','a','b','c','c','e'],
                    'feature1':[1,1,2,3,3,1],'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'beta':['d','d','b','f'],'pazham':['apple','orange','pine','pear'],
                        'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])})
# 基于共同列alpha和beta的内连接
df7 = pd.merge(df1,df2,on=['alpha','beta'],how='inner')
df7
2
3
4
5
6
7
8
9
10

多列的右连接：

# 多列的右连接
# 定义df1
df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'beta':['a','a','b','c','c','e'],
                    'feature1':[1,1,2,3,3,1],'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'beta':['d','d','b','f'],'pazham':['apple','orange','pine','pear'],
                        'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])})
print(df1)
print(df2)

# 基于共同列alpha和beta的右连接
df8 = pd.merge(df1,df2,on=['alpha','beta'],how='right')
df8
2
3
4
5
6
7
8
9
10
11
12
13

1.6 基于index的连接方法
前面介绍了基于column的连接方法，merge方法亦可基于index连接dataframe

# 基于column和index的右连接
# 定义df1
df1 = pd.DataFrame({'alpha':['A','B','B','C','D','E'],'beta':['a','a','b','c','c','e'],
                    'feature1':[1,1,2,3,3,1],'feature2':['low','medium','medium','high','low','high']})
# 定义df2
df2 = pd.DataFrame({'alpha':['A','A','B','F'],'pazham':['apple','orange','pine','pear'],
                        'kilo':['high','low','high','medium'],'price':np.array([5,6,5,7])},index=['d','d','b','f'])
print(df1)
print(df2)

# 基于df1的beta列和df2的index连接，left_on='beta' 表示左边这一列作为右边的索引
df9 = pd.merge(df1,df2,how='inner',left_on='beta',right_index=True)
df9
复制代码
图解index和column的内连接方法：

 

 设置参数suffixes以修改除连接列外相同列的后缀名。

# 基于df1的alpha列和df2的index内连接
df9 = pd.merge(df1,df2,how='inner',left_on='beta',right_index=True,suffixes=('_df1','_df2'))
df9


 2. join方法
　　join方法是基于index连接dataframe，merge方法是基于column连接，连接方法有内连接，外连接，左连接和右连接，与merge一致。 

       index与index的连接：

caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], 'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})
other = pd.DataFrame({'key': ['K0', 'K1', 'K2'],'B': ['B0', 'B1', 'B2']})
print(caller)print(other)
# lsuffix和rsuffix设置连接的后缀名
caller.join(other,lsuffix='_caller', rsuffix='_other',how='inner')


 join也可以基于列进行连接：

复制代码
caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], 'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})
other = pd.DataFrame({'key': ['K0', 'K1', 'K2'],'B': ['B0', 'B1', 'B2']})
print(caller)
print(other)

# 基于key列进行连接
caller.set_index('key').join(other.set_index('key'),how='inner')
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

因此，join和merge的连接方法类似，这里就不展开join方法了，建议用merge方法