数据重构 ：数据从一种几何形态到另一种几何形态，数据从一种格式到另一种格式的转换，包括结构转换、格式转换、类型替换等（数据拼接、数据裁剪、数据压缩等），以实现空间数据在结构、格式、类型上的统一，多源和异构数据的联接与融合 。

1. 数据的合并

加载数据

  1. text_left_up = pd.read_csv("data/train-left-up.csv")
  2. text_left_down = pd.read_csv("data/train-left-down.csv")
  3. text_right_up = pd.read_csv("data/train-right-up.csv")
  4. text_right_down = pd.read_csv("data/train-right-down.csv")


将数据train-left-up.csv和train-right-up.csv横向合并为一张表，并保存这张表为result_up。将train-left-down和train-right-down横向合并为一张表，并保存这张表为result_down。然后将上边的result_up和result_down纵向合并为result。

（1）concat 方式

  1. list_up = [text_left_up,text_right_up]
  2. result_up = pd.concat(list_up,axis=1)
  3. list_down=[text_left_down,text_right_down]
  4. result_down = pd.concat(list_down,axis=1)
  5. result = pd.concat([result_up,result_down])

（2）DataFrame自带的方法join方法和append

  1. resul_up = text_left_up.join(text_right_up)
  2. result_down = text_left_down.join(text_right_down)
  3. result = result_up.append(result_down)

（3）使用Panads的merge方法和DataFrame的append方法

  1. result_up = pd.merge(text_left_up,text_right_up,left_index=True,right_index=True)
  2. result_down = pd.merge(text_left_down,text_right_down,left_index=True,right_index=True)
  3. result = resul_up.append(result_down)

2. 数据变为Series类型

  1. text = pd.read_csv('result.csv')
  2. unit_result=text.stack().head(20)

3.数据聚合与运算

（1）Groupby

计算泰坦尼克号男性与女性的平均票价

  1. df  = text['Fare'].groupby(text['Sex'])
  2. means = df.mean()

统计泰坦尼克号中男女的存活人数

  1. survived_sex = text['Survived'].groupby(text['Sex']).sum()

计算客舱不同等级的存活人数

  1. survived_pclass = text['Survived'].groupby(text['Pclass'])

统计在不同等级的票中的不同年龄的船票花费的平均值

  1. text.groupby(['Pclass', 'Age'])['Fare'].mean()

计算存活人数最高的存活率（存活人数/总人数）

  1. #首先计算总人数
  2. _sum = text['Survived'].sum()
  4. print("sum of person:"+str(_sum))
  6. precetn =survived_age.max()/_sum
  8. print("最大存活率："+str(precetn))

（2）agg()函数， rename函数

  1. text.groupby('Sex').agg(
  2.     {'Fare':'mean', 'Pclass':'count'}).rename(columns=
  3.     {'Fare':'mean_fare', 'Pclass':'count_pclass'})

（3）数据合并

  1. result = pd.merge(means, survivedSex, on='Sex')