作者 | 劉順祥

來源 | 數據分析1480

這一期將分享我認為比較常規的100個實用函數，這些函數大致可以分為六類，分別是統計匯總函數、數據清洗函數、數據篩選、繪圖與元素級運算函數、時間序列函數和其他函數。

統計匯總函數

數據分析過程中，必然要做一些數據的統計匯總工作，那么對于這一塊的數據運算有哪些可用的函數可以幫助到我們呢？具體看如下幾張表。

import pandas as pd
import numpy as np
x = pd.Series(np.random.normal(2,3,1000))
y = 3*x + 10 + pd.Series(np.random.normal(1,2,1000))
# 計算x與y的相關系數
print(x.corr(y))
# 計算y的偏度
print(y.skew())
# 計算y的統計描述值
print(x.describe())
z = pd.Series(['A','B','C']).sample(n = 1000, replace = True)
# 重新修改z的行索引
z.index = range(1000)
# 按照z分組，統計y的組內平均值
y.groupby(by = z).aggregate(np.mean)

# 統計z中個元素的頻次
print(z.value_counts())
a = pd.Series([1,5,10,15,25,30])
# 計算a中各元素的累計百分比
print(a.cumsum() / a.cumsum()[a.size - 1])

數據清洗函數

同樣，數據清洗工作也是必不可少的工作，在如下表格中羅列了常有的數據清洗的函數。

x = pd.Series([10,13,np.nan,17,28,19,33,np.nan,27])
#檢驗序列中是否存在缺失值
print(x.hasnans)
# 將缺失值填充為平均值
print(x.fillna(value = x.mean()))
# 前向填充缺失值
print(x.ffill())

income = pd.Series(['12500元','8000元','8500元','15000元','9000元'])
# 將收入轉換為整型
print(income.str[:-1].astype(int))
gender = pd.Series(['男','女','女','女','男','女'])
# 性別因子化處理
print(gender.factorize())
house = pd.Series(['大寧金茂府 | 3室2廳 | 158.32平米 | 南 | 精裝',
 '昌里花園 | 2室2廳 | 104.73平米 | 南 | 精裝',
 '紡大小區 | 3室1廳 | 68.38平米 | 南 | 簡裝'])
# 取出二手房的面積，并轉換為浮點型
house.str.split('|').str[2].str.strip().str[:-2].astype(float)

數據篩選

數據分析中如需對變量中的數值做子集篩選時，可以巧妙的使用下表中的幾個函數，其中部分函數既可以使用在序列身上，也基本可以使用在數據框對象中。

np.random.seed(1234)
x = pd.Series(np.random.randint(10,20,10))
# 篩選出16以上的元素
print(x.loc[x > 16])
print(x.compress(x > 16))
# 篩選出13~16之間的元素
print(x[x.between(13,16)])
# 取出最大的三個元素
print(x.nlargest(3))
y = pd.Series(['ID:1 name:張三 age:24 income:13500',
 'ID:2 name:李四 age:27 income:25000',
 'ID:3 name:王二 age:21 income:8000'])
# 取出年齡，并轉換為整數
print(y.str.findall('age:(d+)').str[0].astype(int))

繪圖與元素級函數

np.random.seed(123)
import matplotlib.pyplot as plt
x = pd.Series(np.random.normal(10,3,1000))
# 繪制x直方圖
x.hist()
# 顯示圖形
plt.show()
# 繪制x的箱線圖
x.plot(kind='box')
plt.show()
installs = pd.Series(['1280萬','6.7億','2488萬','1892萬','9877','9877萬','1.2億'])
# 將安裝量統一更改為“萬”的單位
def transform(x):
 if x.find('億') != -1:
 res = float(x[:-1])*10000
 elif x.find('萬') != -1:
 res = float(x[:-1])
 else:
 res = float(x)/10000
 return res
installs.apply(transform)

時間序列函數

其他函數

import numpy as np
import pandas as pd
np.random.seed(112)
x = pd.Series(np.random.randint(8,18,6))
print(x)
# 對x中的元素做一階差分
print(x.diff())
# 對x中的元素做降序處理
print(x.sort_values(ascending = False))
y = pd.Series(np.random.randint(8,16,100))
# 將y中的元素做排重處理，并轉換為列表對象
y.unique().tolist()