删除多列

在进行数据分析时，并非所有的列都有用，用df.drop可以方便地删除你指定的列。

  1. def drop_multiple_col(col_names_list, df): 
  2.     '''
  3.     AIM    -> Drop multiple columns based on their column names 
  4.     INPUT  -> List of column names, df
  5.     OUTPUT -> updated df with dropped columns 
  6.     ------
  7.     '''
  8.     df.drop(col_names_list, axis=1, inplace=True)
  9.     return df

转换数据类型

当数据集变大时，需要转换数据类型来节省内存。

  1. def change_dtypes(col_int, col_float, df): 
  2.     '''
  3.     AIM    -> Changing dtypes to save memory
  4.     INPUT  -> List of column names (int, float), df
  5.     OUTPUT -> updated df with smaller memory  
  6.     ------
  7.     '''
  8.     df[col_int] = df[col_int].astype('int32')
  9.     df[col_float] = df[col_float].astype('float32')

将分类变量转换为数值变量

一些机器学习模型要求变量采用数值格式。这需要先将分类变量转换为数值变量。同时，你也可以保留分类变量，以便进行数据可视化。

  1. def convert_cat2num(df):
  2.     # Convert categorical variable to numerical variable
  3.     num_encode = {'col_1' : {'YES':1, 'NO':0},
  4.                   'col_2'  : {'WON':1, 'LOSE':0, 'DRAW':0}}  
  5.     df.replace(num_encode, inplace=True)

检查缺失数据

如果你要检查每列缺失数据的数量，使用下列代码是最快的方法。可以让你更好地了解哪些列缺失的数据更多，从而确定怎么进行下一步的数据清洗和分析操作。

  1. def check_missing_data(df):
  2.     # check for any missing data in the df (display in descending order)
  3.     return df.isnull().sum().sort_values(ascending=False)

删除列中的字符串

有时候，会有新的字符或者其他奇怪的符号出现在字符串列中，这可以使用df[‘col_1’].replace很简单地把它们处理掉。

  1. def remove_col_str(df):
  2.     # remove a portion of string in a dataframe column - col_1
  3.     df['col_1'].replace('\n', '', regex=True, inplace=True)
  4.     # remove all the characters after &# (including &#) for column - col_1
  5.     df['col_1'].replace(' &#.*', '', regex=True, inplace=True)

删除列中的空格

数据混乱的时候，什么情况都有可能发生。字符串开头经常会有一些空格。在删除列中字符串开头的空格时，下面的代码非常有用。

  1. def remove_col_white_space(df):
  2.     # remove white space at the beginning of string 
  3.     df[col] = df[col].str.lstrip()

用字符串连接两列（带条件）

当你想要有条件地用字符串将两列连接在一起时，这段代码很有帮助。比如，你可以在第一列结尾处设定某些字母，然后用它们与第二列连接在一起。
根据需要，结尾处的字母也可以在连接完成后删除。

  1. def concat_col_str_condition(df):
  2.     # concat 2 columns with strings if the last 3 letters of the first column are 'pil'
  3.     mask = df['col_1'].str.endswith('pil', na=False)
  4.     col_new = df[mask]['col_1'] + df[mask]['col_2']
  5.     col_new.replace('pil', ' ', regex=True, inplace=True)  # replace the 'pil' with emtpy space

转换时间戳（从字符串到日期时间格式）

在处理时间序列数据时，我们很可能会遇到字符串格式的时间戳列。
这意味着要将字符串格式转换为日期时间格式(或者其他根据我们的需求指定的格式) ，以便对数据进行有意义的分析。

  1. def convert_str_datetime(df): 
  2.     '''
  3.     AIM    -> Convert datetime(String) to datetime(format we want)
  4.     INPUT  -> df
  5.     OUTPUT -> updated df with new datetime format 
  6.     ------
  7.     '''
  8.     df.insert(loc=2, column='timestamp', value=pd.to_datetime(df.transdate, format='%Y-%m-%d %H:%M:%S.%f'))