python中的filter函數(shù)怎么用

filter就是按條件篩選：

創(chuàng)新互聯(lián)建站是一家專業(yè)提供岳普湖企業(yè)網(wǎng)站建設,專注與成都網(wǎng)站設計、做網(wǎng)站、H5網(wǎng)站設計、小程序制作等業(yè)務。10年已為岳普湖眾多企業(yè)、政府機構等服務。創(chuàng)新互聯(lián)專業(yè)網(wǎng)站設計公司優(yōu)惠進行中。

filter(bool,['spam','','ni'])

list(filter(bool,[''spam,'','ni']))

輸出的結(jié)果為['spam','ni']

#按照bool型篩選，因為中間的‘’，為空，不是bool型所以過濾掉。

Python數(shù)據(jù)分析師主要做什么?Python基礎

伴隨著大數(shù)據(jù)時代的到來，Python的熱度居高不下，已成為職場人士必備的技能，它不僅可以從事網(wǎng)絡爬蟲、人工智能、Web開發(fā)、游戲開發(fā)等工作，還是數(shù)據(jù)分析的首選語言。那么問題來了，利用Python數(shù)據(jù)分析可以做什么呢?簡單來講，可以做的事情有很多，具體如下。

第一、檢查數(shù)據(jù)表

Python中使用shape函數(shù)來查看數(shù)據(jù)表的維度，也就是行數(shù)和列數(shù)。你可以使用info函數(shù)查看數(shù)據(jù)表的整體信息，使用dtypes函數(shù)來返回數(shù)據(jù)格式。Lsnull是Python中檢查空置的函數(shù)，你可以對整個數(shù)據(jù)進行檢查，也可以單獨對某一列進行空置檢查，返回的結(jié)果是邏輯值，包括空置返回True，不包含則返回False。使用unique函數(shù)查看唯一值，使用Values函數(shù)用來查看數(shù)據(jù)表中的數(shù)值。

第二，數(shù)據(jù)表清洗

Python中處理空值的方法比較靈活，可以使用Dropna函數(shù)用來刪除數(shù)據(jù)表中包括空值的數(shù)據(jù)，也可以使用fillna函數(shù)對空值進行填充。Python中dtype是查看數(shù)據(jù)格式的函數(shù)，與之對應的是asstype函數(shù)，用來更改數(shù)據(jù)格式，Rename是更改名稱的函數(shù)，drop_duplicate函數(shù)函數(shù)重復值，replace函數(shù)實現(xiàn)數(shù)據(jù)轉(zhuǎn)換。

第三，數(shù)據(jù)預處理

數(shù)據(jù)預處理是對清洗完的數(shù)據(jù)進行整理以便后期統(tǒng)計和分析工作，主要包括數(shù)據(jù)表的合并、排序、數(shù)值分列、數(shù)據(jù)分組以及標記等工作。在Python中可以使用merge函數(shù)對兩個數(shù)據(jù)表進行合并，合并的方式為inner，此外還有l(wèi)eft、right和outer方式。使用ort_values函數(shù)和sort_index函數(shù)完成排序，使用where函數(shù)完成數(shù)據(jù)分組，使用split函數(shù)實現(xiàn)分列。

第四，數(shù)據(jù)提取

主要是使用三個函數(shù)：loc、iloc和ix，其中l(wèi)oc函數(shù)按標準值進行提取，iloc按位置進行提取，ix可以同時按標簽和位置進行提取。除了按標簽和位置提取數(shù)據(jù)意外，還可以按照具體的條件進行提取。

第五，數(shù)據(jù)篩選匯總

Python中使用loc函數(shù)配合篩選條件來完成篩選功能，配合sum和count函數(shù)還能實現(xiàn)Excel中sumif和countif函數(shù)的功能。Python中使用的主要函數(shù)是groupby和pivot_table。

Python數(shù)據(jù)處理：篩選、統(tǒng)計、連表、拼接、拆分、缺失值處理

file1_path ='E:/Users/lenovo/Desktop/中視/622召回.csv' # 源數(shù)據(jù)

格式：file1=pd.read_csv(file1_path)

pd.read_csv(file1_path,encoding='gbk')

pd.read_csv(file1_path,encoding='gbk',skiprows=[2,3])

pd.read_csv(file1_path,encoding='gbk',skiprows=lambda x:x%2==1)

pd.read_csv(file1_path,encoding='gbk',keep_default_na=False)

new=pd.DataFrame()

new.new[[0,1,2]]

new.new[0:2]

查詢結(jié)果同上

new.loc[new['激活數(shù)']1000]

loc和iloc的區(qū)別：

loc：純標簽篩選

iloc：純數(shù)字篩選

#篩選出new的某兩列

new=new.loc[:,['phone','收件人姓名']]

#篩選new的第0，1列

new.iloc[:,[0,1]]

使用‘==’篩選-篩查“崔旭”的人（只能篩查指定明確的）

#new=file1.loc[(file1['收件人姓名']=='崔旭')|(file1['收件人姓名']=='崔霞')]

#print(new)

#使用loc函數(shù)篩選-str.contains函數(shù)-篩查名字中包含'亮'和'海'的人

#new=file1.loc[file1['收件人姓名'].str.contains('亮|海')]

#print(new)

#使用loc函數(shù)篩選-str.contains函數(shù)-篩查'崔'姓的人

#new=file1.loc[file1['收件人姓名'].str.startswitch('崔')]

#print(new)

df = df[(df['DEPOSIT_PAY_TIME_x'] .notnull() ) (df['DEPOSIT_PAY_TIME_x'] != "" )]

print("during_time(number)=0的個數(shù)：",newdata[newdata['during_time(number)'] ==0].count()['during_time(number)'])

print("during_time(number)=1,2,3的個數(shù)：",newdata[(newdata['during_time(number)'] 0) (newdata['during_time(number)'] 4)].count()['during_time(number)'])

print(newdata[newdata['during_time(number)'] ==0])

newdata[newdata['Team']. isin (['England','Italy','Russia'])][['Team','Shooting Accuracy']]

df.年齡.value_counts()

1.修改指定位置數(shù)據(jù)的值（修改第0行，’創(chuàng)建訂單數(shù)‘列的值為3836）

new.loc[0,'創(chuàng)建訂單數(shù)']=3836

2.替換‘小明’-‘xiaoming’

df.replace({'name':{'小明':'xiaoming'}})

3.批量替換某一列的值（把‘性別’列里的男-male，女-felmale）

方法一：df['性別']=df['性別'].map({'男':'male','女':'female'})

方法二：df['性別'].replace('female','女',inplace=True)

? ? ? ? ? ?或df['性別']=df['性別'].replace('female','女')? ? ? ? ? ? ? ? 這就是inplace的作用

? ? ? ? ? ? +df['性別'].replace('male','男',inplace=True)

4.替換列索引

df.columns=['sex','name','height','age']

或者：df.rename(columns={'性別':'sex','姓名':'name','身高':'height','年齡':'age'})

5.刪除某一列

del df['player']

6. 刪除某一列（方法二），刪除某一行（默認axis=0刪除行，為1則刪除列）

刪除某一列（方法二）

df.drop('性別',axis=1)

刪除某一行

df.drop(1,axis=0)

file1=pd.read_csv(file1_path)

file2=pd.read_csv(file2_path)

new1=pd.DataFrame()

new1['phone']=file1['phone']

new1['contact_time']=file1['contact_time']

new2=pd.DataFrame()

new2['phone']=file2['phone']

new2['submission_audit_time']=file2['提交審核時間']

newdata=pd.merge(new1,new2,on='phone',how='left')

df=pd.concat([df1,df2],axis=0)

4.2.2 橫向表連接

df=pd.concat([df1,df2],axis=1)

df1['地區(qū)'].str.split('·',3,expand=True)

df1:

df1[['城市', '城區(qū)','地址']] = df1['地區(qū)'].str.split('·', 3, expand = True)

5.1 缺失值刪除

data.dropna(axis=0,subset = ["Age", "Sex"]) ? # 丟棄‘Age’和‘Sex’這兩列中有缺失值的行

data.dropna(how = 'all') ? ?# 傳入這個參數(shù)后將只丟棄全為缺失值的那些行

data.dropna(axis = 1) ? ? ? # 丟棄有缺失值的列（一般不會這么做，這樣會刪掉一個特征）

data.dropna(axis=1,how="all") ? # 丟棄全為缺失值的那些列

5.2 缺失值填充：pandas.DataFrame.fillna()函數(shù)

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)

功能：使用指定方法填充NA/NaN值

其中inplace=True就是直接在原有基礎上填滿

5.3 缺失值查詢：

缺失值數(shù)量查詢：df.isnull().sum()

缺失值行查詢：df[df.isnull().T.any()]

newdata['during_time']=pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])

newdata['during_time(number)']=(pd.to_datetime(newdata['submission_audit_time'])-pd.to_datetime(newdata['contact_time'])).apply(lambda x: x.days)

new=pd.DataFrame()

new=newdata[newdata['during_time(number)'] ==0]

new.to_csv(save_path,encoding='utf-8-sig')

將數(shù)據(jù)按行拆分并存儲到不同的csv文件中：

path='C:/Users/EDZ/Desktop/工作/2021.08.19/'

for i in range(0,30):

df.loc[[i]].to_csv(path+str(i)+'.csv',encoding='gbk')

df = df[['購藥日期', '星期','社?？ㄌ?,'商品編碼', '商品名稱', '銷售數(shù)量', '應收金額', '實收金額' ]]