标签：als [] idt 生成 span 聚合 book eth 设定
使用duplicated()函数检测重复的行，返回元素为布尔类型的Series对象，每个元素对应一行，如果该行不是第一次出现，则元素为True。
- keep参数：指定保留哪一重复的行数据
- True 重复的行from pandas import Series,DataFrame import numpy as np import pandas as pd #创建一个df np.random.seed(10) df = DataFrame(data=np.random.randint(0,100,size=(3,5)),index=[‘A‘,‘B‘,‘C‘],columns=[‘a‘,‘b‘,‘c‘,‘d‘,‘e‘]) df # a b c d e A 9 15 64 28 89 B 93 29 8 73 0 C 40 36 16 11 54 df.loc[‘B‘] = [‘22‘,‘22‘,‘22‘,‘22‘,‘22‘] df.loc[‘C‘] = [‘22‘,‘22‘,‘22‘,‘22‘,‘22‘] df # a b c d e A 9 15 64 28 89 B 22 22 22 22 22 C 22 22 22 22 22
使用drop_duplicates()函数删除重复的行
使用replace()函数，对values进行映射操作
单值普通替换
eplace参数说明：
map()中可以使用方法，可以是自定义的方法
eg:map({to_replace:value})
注意：并不是任何形式的函数都可以作为map的参数。只有当一个函数具有一个参数且有返回值，那么该函数才可以作为map的参数。
- take()函数接受一个索引列表，用数字表示,使得df根据列表中索引的顺序进行排序
- eg:df.take([1,3,4,2,5])
可以借助np.random.permutation()函数随机排序
当DataFrame规模足够大时，直接使用np.random.permutation(x)函数，就配合take()函数实现随机抽样
数据聚合是数据处理的最后一步，通常是要使每一个数组生成一个单一的数值。
数据分类处理：
数据分类处理的核心：
- groupby()函数
- groups属性查看分组情况
- eg: df.groupby(by=‘item‘).groups
标签：als [] idt 生成 span 聚合 book eth 设定
原文地址：https://www.cnblogs.com/glh-ty/p/9919443.html
