Pandas數(shù)據(jù)清洗與函數(shù)應(yīng)用6PandasDataCleaningandFunctionApplication內(nèi)容概述本章學(xué)習(xí)目標(biāo)財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析（1）了解NumPy的NaN；（4）掌握Pandas的函數(shù)應(yīng)用。（3）掌握Pandas的數(shù)據(jù)清洗方法；（2）掌握Series對(duì)象和DataFrame對(duì)象的運(yùn)算操作；目錄CONTENTS財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析第6章Pandas數(shù)據(jù)清洗與函數(shù)應(yīng)用

6.1Pandas對(duì)象的運(yùn)算與對(duì)齊

6.2Pandas數(shù)據(jù)清洗6.3函數(shù)應(yīng)用

【Python財(cái)務(wù)數(shù)據(jù)分析】——財(cái)務(wù)報(bào)表文件數(shù)據(jù)清洗和運(yùn)算.

Pandas對(duì)象的運(yùn)算與對(duì)齊PartOne01財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析6.1Pandas對(duì)象的運(yùn)算與對(duì)齊6.1.1NumPy的NaN6.1Pandas對(duì)象的運(yùn)算與對(duì)齊6.1.1NumPy的NaN6.1Pandas對(duì)象的運(yùn)算與對(duì)齊6.1.2Series運(yùn)算6.1Pandas對(duì)象的運(yùn)算與對(duì)齊6.1.2Series運(yùn)算6.1Pandas對(duì)象的運(yùn)算與對(duì)齊6.1.3DataFrame運(yùn)算6.1Pandas對(duì)象的運(yùn)算與對(duì)齊6.1.3DataFrame運(yùn)算Pandas數(shù)據(jù)清洗PartTwo02財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析6.2數(shù)據(jù)清洗

6.2數(shù)據(jù)清洗

6.2數(shù)據(jù)清洗

Pandas函數(shù)應(yīng)用PartThree03財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析Pandas函數(shù)應(yīng)用概述如果想要應(yīng)用自定義函數(shù)，或者把其他庫(kù)中的函數(shù)應(yīng)用到Pandas對(duì)象中，有以下3種方法：l

pipe()：操作整個(gè)DataFrame的函數(shù)l

apply()：操作行或者列的函數(shù)l

applymap()：操作單一元素的函數(shù)財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析鏈?zhǔn)讲僮鱌andas的鏈?zhǔn)讲僮魇且环N優(yōu)雅且簡(jiǎn)潔的方法，通過連續(xù)調(diào)用多個(gè)方法來處理數(shù)據(jù)，而不需要將中間結(jié)果存儲(chǔ)在臨時(shí)變量中。鏈?zhǔn)讲僮骺梢允勾a更具可讀性和可維護(hù)性。為了避免潛在的問題，鏈?zhǔn)讲僮魍ǔＥcDataFrame的方法結(jié)合使用，這些方法返回副本而不是在原地修改數(shù)據(jù)。語法格式：df.<操作1>.<操作2>.<操作3>.….<操作N>財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析pipe()函數(shù)Series，DataFrame，GroupBy等對(duì)象pipe()函數(shù)：x.pipe(f,*args,**kwargs)，等同于f(x,*args,**kwargs)函數(shù)處理。即x作為參數(shù)傳遞給函數(shù)f處理，該函數(shù)應(yīng)用于整個(gè)x數(shù)據(jù)。以DataFrame為例，語法格式：df.pipe(<函數(shù)名>,<傳給函數(shù)的參數(shù)列表>)f(g(h(df),arg1=a),arg2=b,arg3=c)，用pipe()可以把函數(shù)連接起來，語法格式：(df.pipe(h).pipe(g,arg1=a).pipe(f,arg2=b,arg3=c))財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析apply()函數(shù)如果要操作

DataFrame的行或者列，可以使用apply()函數(shù)，可選參數(shù)axis，并且默認(rèn)按列操作。語法格式：df.apply(func,

#函數(shù)，應(yīng)用于每列或每行的函數(shù)axis=0,

#{0or‘index’,1or‘columns’},默認(rèn)為0，應(yīng)用函數(shù)的軸方向*args,**kwds)財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析applymap()或map()函數(shù)df.applymap()

可做到元素級(jí)函數(shù)應(yīng)用，就是對(duì)DataFrame中所有的元素（不包含索引）應(yīng)用函數(shù)處理。使用lambda時(shí)，變量是指每一個(gè)具體的值。語法格式：DataFrame.applymap(func,na_action=None,**kwargs)其中

na_action:類型:{None,'ignore'}作用:指定是否忽略NaN值None(默認(rèn)):對(duì)NaN值應(yīng)用函數(shù)'ignore':跳過NaN值，不對(duì)其應(yīng)用函數(shù)財(cái)務(wù)數(shù)據(jù)分析財(cái)務(wù)數(shù)據(jù)分析【本章小結(jié)】介紹了Pandas以一個(gè)數(shù)據(jù)集為操作對(duì)象的一般化處理，包括DataFrame和Series的數(shù)據(jù)數(shù)值計(jì)算，數(shù)據(jù)集利用pipe()、appl