Pandas数据处理——盘点那些常用的函数（下）

继上一篇文章​​Pandas数据处理——盘点那些常用的函数（上）​​，这篇文章整理了剩下的一些Pandas常见方法，整体难度会比上一篇文章中的大一点，但还是比较容易理解的。话不多说，直接进入正题。

用于演示的数据如下：

In [11]: data
Out[11]:
  company  gender  salary   age
0       B  female      30  40.0
1       A  female      36  31.0
2       B  female      35  28.0
3       B  female       9  18.0
4       B  female      16  43.0
5       A    male      46  22.0
6       B  female      15  28.0
7       B  female      33  40.0
8       C    male      19  32.0

.astype()

作用对象：​​Series​​​和​​DataFrame​​

主要用途：修改字段的数据类型，数据量大的情况下可用于减小数据占用的内存，多用于​​Series​​。

用法：

# 把age字段转为int类型
In [12]: data["age"] = data["age"].astype(int)

In [13]: data
Out[13]:
  company  gender  salary  age
0       B  female      30   40
1       A  female      36   31
2       B  female      35   28
3       B  female       9   18
4       B  female      16   43
5       A    male      46   22
6       B  female      15   28
7       B  female      33   40
8       C    male      19   32

.rename()

作用对象：​​Series​​​,​​DataFrame​​(大多数情况下)

主要用途：多用于修改​​DataFrame​​的列名

主要参数：

• columns （dict-like or function）
  指定要修改的列名以及新的列名，一般以字典形式传入
• inplace （boolean, default False）
  是否作用于原对象

用法：

# 将'age'更改为员工编号'number',并作用于原对象
In [15]: data.rename(columns={'age':'number'},inplace=True)

In [16]: data
Out[16]:
  company  gender  salary  number
0       B  female      30      40
1       A  female      36      31
2       B  female      35      28
3       B  female       9      18
4       B  female      16      43
5       A    male      46      22
6       B  female      15      28
7       B  female      33      40
8       C    male      19      32

.set_index()

作用对象：​​DataFrame​​

主要用途：将​​DataFrame​​中的某一（多）个字段设置为索引

用法：

In [19]: data.set_index('number',inplace=True)

In [20]: data
Out[20]:
       company  gender  salary
number
40           B  female      30
31           A  female      36
28           B  female      35
18           B  female       9
43           B  female      16
22           A    male      46
28           B  female      15
40           B  female      33
32           C    male      19

.reset_index()

作用对象：​​Series​​​,​​DataFrame​​

主要用途：重置索引，默认重置后的索引为​​0~len(df)-1​​

主要参数：

• drop （boolean, default False）
  是否丢弃原索引，具体看下方演示
• inplace （boolean, default False）
  是否作用于原对象

用法：

# drop = True，重置索引，并把原有的索引丢弃
In [22]: data.reset_index(drop=True)
Out[22]:
  company  gender  salary
0       B  female      30
1       A  female      36
2       B  female      35
3       B  female       9
4       B  female      16
5       A    male      46
6       B  female      15
7       B  female      33
8       C    male      19

# drop = False,重置索引
# 原索引列'number'作为新字段进入DataFrame
In [23]: data.reset_index(drop=False,inplace=True)

In [24]: data
Out[24]:
   number company  gender  salary
0      40       B  female      30
1      31       A  female      36
2      28       B  female      35
3      18       B  female       9
4      43       B  female      16
5      22       A    male      46
6      28       B  female      15
7      40       B  female      33
8      32       C    male      19

.drop_duplicates()

作用对象：​​Series​​​,​​DataFrame​​

主要用途：去掉重复值，作用和​​SQL​​​中的​​distinct​​类似

用法：

In [26]: data['company'].drop_duplicates()
Out[26]:
0    B
1    A
8    C
Name: company, dtype: object

.drop()

作用对象：​​Series​​​,​​DataFrame​​

主要用途：常用于删掉​​DataFrame​​中的某些字段

主要参数：

• columns （single label or list-like）
  指定要删掉的字段

用法：

# 删掉'gender'列
In [27]: data.drop(columns = ['gender'])
Out[27]:
   number company  salary
0      40       B      30
1      31       A      36
2      28       B      35
3      18       B       9
4      43       B      16
5      22       A      46
6      28       B      15
7      40       B      33
8      32       C      19

.isin()

作用对象：​​Series​​​,​​DataFrame​​

主要用途：常用于构建布尔索引，对​​DataFrame​​的数据进行条件筛选

用法：

# 筛选出A公司和C公司的员工记录
In [29]: data.loc[data['company'].isin(['A','C'])]
Out[29]:
   number company  gender  salary
1      31       A  female      36
5      22       A    male      46
8      32       C    male      19

pd.cut()

主要用途：将连续变量离散化，比如将人的年龄划分为各个区间

主要参数：

• x （array-like）
  需要进行离散化的一维数据
• bins （int, sequence of scalars, or IntervalIndex）
  设置需要分成的区间，可以指定区间数量，也可以指定间断点
• labels （array or bool, optional）
  设置区间的标签

用法：

# 把薪水分成5个区间
In [33]: pd.cut(data.salary,bins = 5)
Out[33]:
0     (23.8, 31.2]
1     (31.2, 38.6]
2     (31.2, 38.6]
3    (8.963, 16.4]
4    (8.963, 16.4]
5     (38.6, 46.0]
6    (8.963, 16.4]
7     (31.2, 38.6]
8     (16.4, 23.8]
Name: salary, dtype: category
Categories (5, interval[float64]): [(8.963, 16.4] < (16.4, 23.8] < (23.8, 31.2] < (31.2, 38.6] <(38.6, 46.0]]
                                     
# 自行指定间断点
In [32]: pd.cut(data.salary,bins = [0,10,20,30,40,50])
Out[32]:
0    (20, 30]
1    (30, 40]
2    (30, 40]
3     (0, 10]
4    (10, 20]
5    (40, 50]
6    (10, 20]
7    (30, 40]
8    (10, 20]
Name: salary, dtype: category
Categories (5, interval[int64]): [(0, 10] < (10, 20] < (20, 30] < (30, 40]