Python库关于pandas使用的5大技巧！

       Python正迅速成为数据科学家们更为钟爱的编程语言。形成该现状的理由非常充分：Python 提供了一种覆盖范围更为广阔的编程语言生态系统，以及具有一定计算深度且性能良好的科学计算库。

       在 Python 自带的科学计算库中，Pandas 模块是最适于数据科学相关操作的工具。本文着重介绍了 Python 中数据处理的5种方法

       首先导入相关模块并加载数据集到 Python 环境中：

import pandas as pd
import numpy as np
data = pd.read_csv("***.csv",index_col="Loan_ID")

1.   Apply 函数

Apply 函数是处理数据和建立新变量的常用函数之一。在向数据框的每一行或每一列传递指定函数后，Apply 函数会返回相应的值。这个由 Apply 传入的函数可以是系统默认的或者用户自def num_missing(x):  return sum(x.isnull())#Applying per column:print "Missing values per column:"printdata.apply(num_missing, axis=0)

2．填补缺失值
fillna() 函数可一次性完成填补功能。它可以利用所在列的均值/众数/中位数来替换该列的缺失数据。下面利用“Gender”、“Married”、和“Self_Employed”列中各自的众数值填补对应列的缺失数据。
fromscipy.stats import mode
mode(data['Gender'])

3. 数据透视表
Pandas 可建立 MS Excel 类型的数据透视表。例如在下文的代码段里，关键列“LoanAmount”存在缺失值。我们可以根据“Gender”，“Married”和“Self_Employed”分组后的平均金额来替换。 “LoanAmount”的各组均值可由如下方法确定

4. 复合索引

游客，如果您要查看本帖隐藏内容请回复

5.Crosstab 函数

游客，如果您要查看本帖隐藏内容请回复

我来占层楼啊   

不错不错～～