pandas数据处理

一、查找重复值

既然我们这个系列是对比Excel，那么在Excel里是怎么查找重复值的呢？有很多种方法，这里就简单说一种：条件格式。在【开始】——【条件格式】里选择突出显示重复值，就将重复的值突出显示出来了：

Pandas里如何查找重复值呢？

1、查找所有列

继之前用的短租数据集（后台回复：短租数据，即可获得），duplicated方法查找重复值，和isnull一样，得到的结果是布尔值，如果重复被标记为True，否则为False

# 查看所有列都重复的数据
df_list.duplicated()

结果如下，得到的是一个序列，通过True/False来查看哪些行完全重复。

也可以把它具体的位置找出来：

# 定位出所有列都重复的行
df_list[df_list.duplicated()]

结果是一个空行，说明这个数据集里没有所有列都重复的行

2、查找单独列

对重复值的判断有时不需要判断所有列，只需要对某一列进行判断，还是用duplicated方法查找，如查找id列是否重复

# 查找id列是否重复
df_list[df_list.duplicated(["id"])]

结果为空，说明id列是唯一标识。

二、重复值的处理

对重复值的处理，就是删除

在Excel里专门有一个删除重复值的功能，用这个功能就可以将某一列的重复值删除，只保留不重复的值：

在Panda里用到drop_duplicates方法来删除重复值。

1、所有列去重

对所有列都重复的行去重

# 所有列去重
df_list = df_list.drop_duplicates()
df_list.head()

2、某一列去重

对某一列重复的行去重，添加subset参数

# 某一列去重
df_list.drop_duplicates(subset = "id")

3、某几列去重

对要去重的几列的列名用列表框起来，subset参数名可以不写

# 某几列去重
df_list.drop_duplicates(["id","name"])

4、去重后保留最后一个值

以上去重时默认都是保留第一个重复的值，但如果想要保留最后一个重复的值呢，添加keep参数，让keep = "last"

# 保留最后一个值
df_list.drop_duplicates(["id","name"],keep = "last")

5、查找后定位的方法去重

前面介绍了查找重复值用到的duplicated方法，那么也可以用这个方法直接去重。df_list[df_list.duplicated(["id","name"])]是定位出重复值，加个取反的符号df_list[~df_list.duplicated(["id","name"])]就将不重复的值取出来了，也就是去重了。

# 查找后定位去重
df_list[~df_list.duplicated(["id","name"])]

三、类型转换

这个案例里last_review字段应该是日期时间的类型，但在这里是字符型展示，因此要把字符型转换成日期时间类型的数据，使用to_datetime方法，它有两个参数，第一个参数是要转换的列，第二个参数是设置日期时间格式。

# 字符转时间
df_list["last_review"] = pd.to_datetime(df_list["last_review"],
                                 format = "%Y/%m/%d")
df_list.info()

结果如下，可以看到这一列已经由原先的字符型转化为了时间型。

类型转换还可以将字符转数值，数值转字符，用到astype(dtype)方法，dtype参数表示要转换的数据类型，整型为int，小数型位float，字符型为str

# 数值转字符
df_list["id"].astype(str).dtype

如把id列的整型转为字符型，可以看到转换话数据类型为Object。

四、字段拆分

发现这里neighbourhood字段是“朝阳区 / Chaoyang  ”形式，只想要保留“/”符号前的字段，因此需要对这个字段进行拆分，在Excel里拆分很简单，就用【数据】选项卡中的【分列】功能即可，分割符号选择“/”。

在pandas里我们用split方法来拆分

# 字段拆分
new_neighbor = df_list["neighbourhood"].str.split("/",1,True)
df_list[["neighborhood_new","neighbor2"]] = new_neighbor
df_list

第一个参数是指定分隔符，第二个参数填的是1，表示分割成1+1=2列，第三个参数填True，表示展开为数据框，默认是False，所以一般填True，结果如图

同样地把room_type这个字段也拆分一下

new_room_type = df_list["room_type"].str.split("/",1,True)
df_list[["room_type_new","room_type2"]] = new_room_type
df_list

结果如图：