Python正迅速成為數據科學家們更為鐘愛的編程語言。形成該現狀的理由非常充分：Python提供了一種覆蓋范圍更為廣闊的編程語言生態(tài)系統(tǒng)，以及具有一定計算深度且性能良好的科學計算庫。

在Python自帶的科學計算庫中，Pandas模塊是最適于數據科學相關操作的工具。本文著重介紹了Python中數據處理的5種方法。

首先導入相關模塊并加載數據集到Python環(huán)境中：

importpandasaspd

importnumpyasnp

data=pd.read_csv("***.csv",index_col="Loan_ID")

1、Apply函數

Apply函數是處理數據和建立新變量的常用函數之一。在向數據框的每一行或每一列傳遞指定函數后，Apply函數會返回相應的值。這個由Apply傳入的函數可以是系統(tǒng)默認的或者用戶自

defnum_missing(x):

returnsum(x.isnull())

#Applyingpercolumn:

print"Missingvaluespercolumn:"

printdata.apply(num_missing,axis=0)

2、填補缺失值

fillna()函數可一次性完成填補功能。它可以利用所在列的均值/眾數/中位數來替換該列的缺失數據。下面利用“Gender”、“Married”、和“Self_Employed”列中各自的眾數值填補對應列的缺失數據。

fromscipy.statsimportmode

mode(data['Gender'])

3、數據透視表

Pandas可建立MSExcel類型的數據透視表。例如在下文的代碼段里，關鍵列“LoanAmount”存在缺失值。我們可以根據“Gender”，“Married”和“Self_Employed”分組后的平均金額來替換。“LoanAmount”的各組均值可由如下方法確定

4、復合索引

如果您注意觀察#3計算的輸出內容，會發(fā)現它有一個奇怪的性質。即每個索引均由三個數值的組合構成，稱為復合索引。它有助于運算操作的快速進行。

從#3的例子繼續(xù)開始，已知每個分組數據值但還未進行數據填補。具體的填補方式可結合此前學到的多個技巧來完成。

fori,rowindata.loc[data['LoanAmount'].isnull(),:].iterrows():

ind=tuple([row['Gender'],row['Married'],row['Self_Employed']])

data.loc[i,'LoanAmount']=impute_grps.loc[ind].values[0]

#Nowcheckthe#missingvaluesagaintoconfirm:

printdata.apply(num_missing,axis=0)

5、Crosstab函數

該函數用于獲取數據的初始印象(直觀視圖)，從而驗證一些基本假設。例如在本例中，“Credit_History”被認為會顯著影響貸款狀態(tài)。這個假設可以通過如下代碼生成的交叉表進行驗證：

pd.crosstab(data["Credit_History"],data["Loan_Status"],margins=True)