从零开始学Python连载【六】--pandas(数据框部分02)

接着上一期的pandas模块介绍与应用，今天我们来聊聊如何借助于pandas模块进行数据的预处理，内容包括数据集变量与观测的筛选、变量的重命名、数据类型的变换、排序、重复观测的删除、和数据集的抽样。

一、数据筛选

以iris数据集为例，想从数据集中取出某列（序列对象）或某几列该如何操作？

在pandas取出一列有两种方法，一种是比较普遍适用的名称索引法，另一种则是点取法。看看下面的例子就可以理解了：

如果使用点取法取出数据集中的某列，需要注意的是列的名称必须是一个整体，例如stu age或stu.age等格式的变量名就不能使用点取法。

对应到R语言中，也有两种取列的方法，分别是索引法和$取法：

需要注意的是，如果你使用名称索引法，列名称一定要写在逗号,后面，因为逗号前面的内容表示要取的行，逗号后面的内容表示要取的列。

如果你需要取出的不仅仅是一列数据，而是多列，那不管是Python还是R语言只能使用名称索引或位置索引了。接下来再来看看如何按照某些条件取出想要的观测行：

一个变量的观测筛选

>need-to-insert-img

需要注意的是：多个变量的筛选，可以是或(|)关系、可以是且(&)关系还可以是非(~)关系，一定要用圆括号把条件括起来。

两个变量的观测筛选并筛选部分变量

在Python中通过索引的方式获取数据的部分子集，虽然有loc和iloc可以实现取子集，但我更推荐loc函数的应用，因为个人觉得iloc应用的场景比较少，它是基于行或列的位置进行数据筛选的。例如

在R语言中，获取数据集的子集就更容易了，这里强烈推荐使用subset函数。按照上面Python的例子用R语言实现一遍：

一个变量的观测筛选

二、变量的删除

有时，在一张表里你可能需要删除与建模或分析无关紧要的变量，如用户id、姓名、邮编号码等。在Python中，你可以借助于drop函数非常轻松的删除指定的变量。

三、变量重命名

如iris数据集，由于第一个变量的名称为“Sepal.Length”，中间有句点号，故Python不可以使用点取法获得该数据集的第一个变量，而只能通过索引获取。如果把该变量的名称改为“Sepal_Length”，就可以使用点取法了，该如何更换变量名呢？rename函数可以帮助我们解决问题：

四、数据类型转化

使用Python进行建模的话，需要所有的输入变量均为数值型变量，然而手中的实际数据集并非全是数值型变量，该如何把字符型数值变量转化为数值变量呢？

字符型数值转数值

五、数据集的排序

如果你需要对你的数据集进行排序，Python中pandas模块也提供了非常好用的sort_values函数。我们举例说明：

今天我们的内容就介绍到这边，欢迎大家拍砖。下期我们来聊聊pandas模块的数据框DataFrame第三部分。主要涉及缺失值处理、数据集的合并和连接、分组汇总、哑变量生成、连续数值的区间化等操作。

有需要更多资料可以私信我“学习”来领取哦

散会 886