今天我们重新盘点66个Pandas函数合集，包括数据预览、数值数据操作、文本数据操作、行/列操作等等，涉及“数据清洗”的方方面面。
Pandas 是基于NumPy的一种工具，该工具是为解决数据分析任务而创建的。它提供了大量能使我们快速便捷地处理数据的函数和方法。
数据预览
对于探索性数据分析来说，做数据分析前需要先看一下数据的总体概况。info()方法用来查看数据集信息，describe()方法将返回描述性统计信息，这两个函数大家应该都很熟悉了。
describe方法默认只给出数值型变量的常用统计量，要想对DataFrame中的每个变量进行汇总统计，可以将其中的参数include设为all。
head()方法和tail() 方法则是分别显示数据集的前n和后n行数据。如果想要随机看N行的数据，可以使用sample()方法。
df.sample(3)
输出：
如果要检查数据中各列的数据类型，可以使用.dtypes；如果想要值查看所有的列名，可以使用.columns。
df.columns
输出：
Index(['日期', '销量'], dtype='object')
前面介绍的函数主要是读取数据集的数据信息，想要获得数据集的大小（长宽），可以使用.shape方法。
df.shape
输出：
(5, 2)
另外，len()可以查看某列的行数，count()则可以查看该列值的有效个数，不包含无效值（Nan）。
缺失值与重复值
Pandas清洗数据时，判断缺失值一般采用isnull()方法。此外，isnull().any()会判断哪些”列”存在缺失值，isnull().sum()用于将列中为空的个数统计出来。
df.isnull().any()
输出：
日期 False
销量 True
dtype: bool
发现“销量”这列存在缺失值后，处理办法要么删除dropna() ，要么填充fillna()。
df.fillna(50)
输出：
Pandas清洗数据时，判断重复值一般采用duplicated()方法。如果想要直接删除重复值，可以使用drop_duplicates() 方法。此处较为常见，不再过多演示。
数值数据操作
我们在处理数据的时候，会遇到批量替换的情况，replace()是很好的解决方法。它既支持替换全部或者某一行，也支持替换指定的某个或指定的多个数值（用字典的形式），还可以使用正则表达式替换。
df["编号"].replace(r'BA.$', value='NEW', regex=True, inplace = True)
输出：
在Pandas模块中， 调⽤rank()⽅法可以实现数据排名。
df["排名"] = df.rank(method="dense").astype("int")
输出：
rank()⽅法中的method参数，它有5个常⽤选项，可以帮助我们实现不同情况下的排名。
clip()方法，用于对超过或者低于某些数的数值进行截断[1]，来保证数值在一定范围。比如每月的迟到天数一定是在0-31天之间。
df["迟到天数"] = df["迟到天数"].clip(0,31)
唯一值，unique()是以数组形式返回列的所有唯一值，而nunique()返回的是唯一值的个数。
df["gender"].unique()
df["gender"].nunique()
输出：
在数值数据操作中，apply()函数的功能是将一个自定义函数作用于DataFrame的行或者列；applymap()函数的功能是将自定义函数作用于DataFrame的所有元素。他们通常也与匿名函数lambda一起使用。
df["数量"].apply(lambda x: x+1)
输出：
文本数据操作
在对文本型的数据进行处理时，我们会大量应用字符串的函数，来实现对一列文本数据进行操作。
| 函数方法 | 用法释义 |
|---|---|
| cat | 字符串的拼接 |
| contains | 判断某个字符串是否包含给定字符 |
| startswith/endswith | 判断某个字符串是否以...开头/结尾 |
| get | 获取指定位置的字符串 |
| len | 计算字符串长度 |
| upper、lower | 英文大小写转换 |
| pad/center | 在字符串的左边、右边或左右两边添加给定字符 |
| repeat | 重复字符串几次 |
| slice_replace | 使用给定的字符串，替换指定的位置的字符 |
| split | 分割字符串，将一列扩展为多列 |
| strip、rstrip、lstrip | 去除空白符、换行符 |
| findall | 利用正则表达式，去字符串中匹配，返回查找结果的列表 |
| extract、extractall | 接受正则表达式，抽取匹配的字符串(一定要加上括号) |
举例：
df.insert(2, "姓名",
df["姓"].str.cat(df["名"], sep=""))
输出：
df["手机号码"] = df["手机号码"].str.slice_replace(3,7,"*"*4)
输出：
df["地址"].str.extract("([\u4e00-\u9fa5]+)")
输出：
行/列操作
数据清洗时，会将带空值的行删除，此时DataFrame或Series类型的数据不再是连续的索引，可以使用reset_index()重置索引。
df.reset_index(drop=True)
输出：
rename()重命名用于更改行列的标签，即行列的索引。可以传入一个字典或者一个函数。在数据预处理中，比较常用。
df.rename(columns={'mark': 'sell'}, inplace=True)
输出：
行列转置，我们可以使用T属性获得转置后的DataFrame。
df.T
输出：
删除行列，可以使用drop()。
df.drop(columns=["mark"])
输出：
数据分析师在进行数据处理时经常会遇到长宽表互转的情况，这也是一道常见的数据分析面试题。
melt()方法可以将宽表转长表，即表格型数据转为树形数据。
df.melt(id_vars="姓名", var_name="科目", value_name="成绩")
输出：
pivot()方法可以将长表转宽表，即树形数据转为表格型数据。
df.pivot(index='姓名', columns='科目', values='成绩')
输出：
pivot()其实就是用 set_index()创建层次化索引，再用unstack()重塑
df1.set_index(['姓名','科目']).unstack('科目') 
数据分组与数据透视表更是一个常见的需求，groupby()方法可以用于数据分组。
df.groupby("科目").mean()
由于pivot_table()数据透视表的参数比较多，就不再使用案例来演示了，具体用法可参考下图。
数据筛选
如果是筛选行列的话，通常有以下几种方法：
有时我们需要按条件选择部分列、部分行，一般常用的方法有：
| 操作 | 语法 | 返回结果 |
|---|---|---|
| 选择列 | df[col] |
Series |
| 按索引选择行 | df.loc[label] |
Series |
| 按数字索引选择行 | df.iloc[loc] |
Series |
| 使用切片选择行 | df[:5] |
DataFrame |
| 用表达式筛选行[3] | df[bool_vec] |
DataFrame |
除此以外，还有很多方法/函数可以用于“数据筛选”。
如果想直接筛选包含特定字符的字符串，可以使用contains()这个方法。
例如，筛选户籍地址列中包含“黑龙江”这个字符的所有行。
df[df["户籍地址"].str.contains("黑龙江")]
query()查询方法也可以用来筛选数据，比如查询“语文”成绩大于“数学”成绩的行记录。
df.query("语文 > 英语")
输出：
select_dtypes()方法可用于筛选某些数据类型的变量或列。举例，我们仅选择具有数据类型'int64'的列。
df.select_dtypes("int64")
输出：
数值数据统计运算
在对数值型的数据进行统计运算时，除了有算术运算、比较预算还有各种常见的汇总统计运行函数，具体如下表所示。
| 函数方法 | 用法释义 |
|---|---|
| count | 非NaN数据项计数 |
| sum | 求和 |
| mean | 平均值 |
| median | 中位数 |
| mode | 众数 |
| max | 最大值 |
| min | 最小值 |
| std | 标准差 |
| var | 方差 |
| quantile | 分位数 |
| skew | 返回偏态系数 |
| kurt | 返回峰态系数 |
举例：
df["语文"].max()
输出：
155
最后，再说一个比较常用的统计运算函数——累加cumsum()。
df["累计销量"] = df["销量"].cumsum()
输出：
注：cumprod()方法是指连乘，用于与连加一样，但使用频率较少。
今天我们盘点了66个Pandas函数合集，但实际还有很多函数在本文中没有介绍，包括时间序列、数据表的拼接与连接等等。此外，那些类似describe()这种大家非常熟悉的方法都省去了代码演示。如果大家有在工作生活中进行“数据清洗”非常有用的Pandas函数，也可以在评论区交流。