05-1 pandas資料處理 刪除duplicated()、替換replace(),對映map(),重新命名rename()、聚合函式、排序take()、分組groupby()
pandas資料處理
文章目錄
1、刪除重複元素duplicated()
使用duplicated()函式檢測重複的行,返回元素為布林型別的Series物件,每個元素對應一行,如果該行不是第一次出現,則元素為True(是重複的)
- 使用drop_duplicates()函式刪除重複的行
- 使用duplicate()函式檢視重複的行
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
data = [[100,100,100],[90,90,88],[100,100,100],[90,90,87],[100,100,100]]
columns = ['python','c++','java']
index = list('ABCDE')
df = DataFrame(data=data,index=index,columns=columns)
df
python | c++ | java | |
---|---|---|---|
A | 100 | 100 | 100 |
B | 90 | 90 | 88 |
C | 100 | 100 | 100 |
D | 90 | 90 | 87 |
E | 100 | 100 | 100 |
df.duplicated(keep="first") # 告訴我們 當前行是否重複
# 引數預設是 keep="first" 保留開始的 意思是如果發現很多重複的元素 第一個不算重複的 後面的才是 某一行重複 就返回True
結果為:
A False
B False
C True
D False
E True
dtype: bool
df.duplicated(keep="last") # keep last 如果遇到重複的元素 最後一個不算重複的 前面的才算重複 這一行重複了 就是True
結果為:
A True
B False
C True
D False
E False
dtype: bool
df.duplicated(keep=False) # 只要有和別人完全一樣的 不管在開頭還是結尾 都算重複 這一行如果是重複的就返回 True
結果為:
A True
B False
C True
D False
E True
dtype: bool
df.drop_duplicates() # {'first', 'last', False}, default 'first'
python | c++ | java | |
---|---|---|---|
A | 100 | 100 | 100 |
B | 90 | 90 | 88 |
D | 90 | 90 | 87 |
df.drop_duplicates(keep="last")
python | c++ | java | |
---|---|---|---|
B | 90 | 90 | 88 |
D | 90 | 90 | 87 |
E | 100 | 100 | 100 |
df.drop_duplicates(keep=False)
python | c++ | java | |
---|---|---|---|
B | 90 | 90 | 88 |
D | 90 | 90 | 87 |
2. 對映
對映的含義:建立一個對映關係列表,把values元素和一個特定的標籤或者字串繫結
包含三種操作:
- replace()函式:替換元素
- 最重要:map()函式:新建一列
- rename()函式:替換索引
1) replace()函式:替換元素
使用replace()函式,對values進行替換操作
Series替換操作
- 單值替換
- 普通替換
- 字典替換(推薦)
- 多值替換
- 列表替換
- 字典替換(推薦)
s1 = Series(data = [100,'peppa',np.nan,'chengdu'])
s1
結果為:
0 100
1 peppa
2 NaN
3 chengdu
dtype: objec
單值替換 普通替換
s1.replace(to_replace="peppa",value="佩琪")
結果為:
0 100
1 佩琪
2 NaN
3 chengdu
dtype: object
單值替換 字典替換( )
s1.replace({"chengdu":"成都"})
結果為:
0 100
1 peppa
2 NaN
3 成都
dtype: object
多值替換 列表替換 s1.replace([要替換的值1,要替換的值2,…],[替換成什麼1,替換成什麼2,…])
s1.replace([100,np.nan],["滿分","空值"])
結果為:
0 滿分
1 peppa
2 空值
3 chengdu
dtype: object
多值替換 字典替換( { 要替換的值:替換成什麼,要替換的值:替換成什麼 } )
s1.replace({100:"滿分","peppa":"佩琪"})
結果為:
0 滿分
1 佩琪
2 NaN
3 chengdu
dtype: object
Series引數說明:
- method:對指定的值使用相鄰的值填充
- limit:設定填充次數
s2 = Series(data=np.array([80,100,100,100,89,78]))
s2
結果為:
0 80
1 100
2 100
3 100
4 89
5 78
dtype: int32
如果指定value不好 還可以找值來填充
s2.replace(to_replace=100,method="bfill") # 從後面找值來替換當前值
結果為:
0 80
1 89
2 89
3 89
4 89
5 78
dtype: int32
s2.replace(to_replace=100,method="ffill") # 從前面找
結果為:
0 80
1 80
2 80
3 80
4 89
5 78
dtype: int32
s2.replace(to_replace=100,method="ffill",limit=1) # limit 指定是最多往前或者往後找幾個, 如果找不到就不填充了 ,limit 預設是None不限制
結果為:
0 80
1 80
2 100
3 100
4 89
5 78
dtype: int32
DataFrame替換操作
-
單值替換
- 普通替換
- 按列指定單值替換{列標籤:目標值}
-
多值替換
- 列表替換
- 單字典替換(推薦)
df = pd.read_excel("../data/data.xls",sheet_name=0)
df
0 | 1 | 2 | 3 | 4 | |
---|---|---|---|---|---|
A | 甲 | NaN | NaN | NaN | Beijing |
B | 乙 | 69.0 | 142.0 | 29 | Beijing |
C | 丙 | 111.0 | 7.0 | 2 | Beijing |
D | 丁 | 139.0 | 19.0 | 125 | shanghai |
E | 戊 | 12.0 | 66.0 | Beijing | shanghai |
普通的單值替換
df.replace(to_replace='Beijing',value='北京')
0 | 1 | 2 | 3 | 4 | |
---|---|---|---|---|---|
A | 甲 | NaN | NaN | NaN | 北京 |
B | 乙 | 69.0 | 142.0 | 29 | 北京 |
C | 丙 | 111.0 | 7.0 | 2 | 北京 |
D | 丁 | 139.0 | 19.0 | 125 | shanghai |
E | 戊 | 12.0 | 66.0 | 北京 | shanghai |
按列指定單值換目標值 ({列索引,待替換值},目標值)
df.replace({4:'Beijing'},'首都')
0 | 1 | 2 | 3 | 4 | |
---|---|---|---|---|---|
A | 甲 | NaN | NaN | NaN | 首都 |
B | 乙 | 69.0 | 142.0 | 29 | 首都 |
C | 丙 | 111.0 | 7.0 | 2 | 首都 |
D | 丁 | 139.0 | 19.0 | 125 | shanghai |
E | 戊 | 12.0 | 66.0 | Beijing | shanghai |
多值替換 列表替換,replace([要替換的1,要替換的2…],[替換成1,替換成2])
df.replace([66,'甲','shanghai'],[100,'first','上海'])
0 | 1 | 2 | 3 | 4 | |
---|---|---|---|---|---|
A | first | NaN | NaN | NaN | Beijing |
B | 乙 | 69.0 | 142.0 | 29 | Beijing |
C | 丙 | 111.0 | 7.0 | 2 | Beijing |
D | 丁 | 139.0 | 19.0 | 125 | 上海 |
E | 戊 | 12.0 | 100.0 | 北京 | 上海 |
多值替換 字典替換,replace({要替換的1:替換成的值1,要替換的2:替換成的值2,…}) 可以將沒有的值也放在這裡 不會報錯 將來可以整個專案使用一個過濾器,我們可以在 字典裡面寫很多值 字典中的值即使找不到也不會報錯
df.replace({66:100,'乙':'second','Beijing':'BEIJING','沒有的值':'也可以放'})
0 | 1 | 2 | 3 | 4 | |
---|---|---|---|---|---|
A | 甲 | NaN | NaN | NaN | BEIJING |
B | second | 69.0 | 142.0 | 29 | BEIJING |
C | 丙 | 111.0 | 7.0 | 2 | BEIJING |
D | 丁 | 139.0 | 19.0 | 125 | shanghai |
E | 戊 | 12.0 | 100.0 | BEIJING | shanghai |
注意:DataFrame中,無法使用method和limit引數
============================================
練習19:
假設張三李四的成績單裡有滿分的情況,老師認為是作弊,把所有滿分的情況(包括150,300分)都記0分,如何實現?
============================================
data = [[150,300],[150,300]]
index = ["張三","李四"]
columns = ["數學","理綜"]
df = DataFrame(data,index,columns)
df
數學 | 理綜 | |
---|---|---|
張三 | 150 | 300 |
李四 | 150 | 300 |
替換多個
df.replace({150:0,300:0})
df.replace([150,300],[0,0])
數學 | 理綜 | |
---|---|---|
張三 | 0 | 0 |
李四 | 0 | 0 |
單值替換
df1 = df.replace(to_replace=150,value=0)
df1 = df.replace({"數學":150},0)
數學 | 理綜 | |
---|---|---|
張三 | 0 | 300 |
李四 | 0 | 300 |
df1.replace(to_replace=300,value=0)
df1.replace({"理綜":300},0)
數學 | 理綜 | |
---|---|---|
張三 | 0 | 300 |
李四 | 0 | 300 |
2) map()函式:新建一列
- map(字典) 字典的鍵要足以匹配所有的資料,否則出現NaN
- map()可以對映新一列資料
- map()中可以使用lambd表示式
- map()中可以使用方法,可以是自定義的方法
注意 map()中不能使用sum之類的函式,for迴圈
score = pd.read_excel('./data.xls',sheet_name=1)
score
姓名 | 語文 | 數學 | python | php | |
---|---|---|---|---|---|
0 | 小明 | 90 | 98 | 90 | 98 |
1 | 小紅 | 44 | 89 | 44 | 89 |
2 | 小芳 | 98 | 90 | 90 | 98 |
3 | 小李 | 89 | 44 | 44 | 89 |
4 | 李元芳 | 78 | 98 | 98 | 87 |
5 | 狄仁傑 | 66 | 44 | 44 | 89 |
對映字典
map_dic = {'小明':'北京','小紅':'上海','小芳':'北京',
'小李':'廣州','李元芳':'成都','狄仁傑':'成都'}
map函式不是DataFrame的方法,而是Sereis物件的方法, 可以傳入對映字典
score["姓名"].map(map_dic)
結果為:
0 北京
1 上海
2 北京
3 廣州
4 成都
5 成都
Name: 姓名, dtype: object
score["所在城市"] = score["姓名"].map(map_dic) # 可以傳入字典
score
姓名 | 語文 | 數學 | python | php | 所在城市 | |
---|---|---|---|---|---|---|
0 | 小明 | 90 | 98 | 90 | 98 | 北京 |
1 | 小紅 | 44 | 89 | 44 | 89 | 上海 |
2 | 小芳 | 98 | 90 | 90 | 98 | 北京 |
3 | 小李 | 89 | 44 | 44 | 89 | 廣州 |
4 | 李元芳 | 78 | 98 | 98 | 87 | 成都 |
5 | 狄仁傑 | 66 | 44 | 44 | 89 | 成都 |
還可以傳入 拉姆達表示式 如 lambda x:x+10
score["python"]= score["python"].map(lambda x:x+10)
score #python資料加10
姓名 | 語文 | 數學 | python | php | 所在城市 | |
---|---|---|---|---|---|---|
0 | 小明 | 90 | 98 | 100 | 98 | 北京 |
1 | 小紅 | 44 | 89 | 54 | 89 | 上海 |
2 | 小芳 | 98 | 90 | 100 | 98 | 北京 |
3 | 小李 | 89 | 44 | 54 | 89 | 廣州 |
4 | 李元芳 | 78 | 98 | 108 | 87 | 成都 |
5 | 狄仁傑 | 66 | 44 | 54 | 89 | 成都 |
還可以傳入自定義函式
def fn(x):
return x-20
score["php"]= score["php"].map(fn) #這裡一定要注意,是把函式名傳入,千萬不要加小括號去呼叫
score
姓名 | 語文 | 數學 | python | php | 所在城市 | |
---|---|---|---|---|---|---|
0 | 小明 | 90 | 98 | 100 | 18 | 北京 |
1 | 小紅 | 44 | 89 | 54 | 9 | 上海 |
2 | 小芳 | 98 | 90 | 100 | 18 | 北京 |
3 | 小李 | 89 | 44 | 54 | 9 | 廣州 |
4 | 李元芳 | 78 | 98 | 108 | 7 | 成都 |
5 | 狄仁傑 | 66 | 44 | 54 | 9 | 成都 |
data = np.random.randint(0,150,size=(5,3))
columns = ['python','java','php']
index = ['peppa','mery','tom','jack','rose']
df = DataFrame(data,index,columns)
df
python | java | php | |
---|---|---|---|
peppa | 23 | 98 | 81 |
mery | 33 | 31 | 74 |
tom | 59 | 24 | 101 |
jack | 56 | 143 | 96 |
rose | 94 | 13 | 89 |
def map_score(x):
if x>120:
return "exellent"
elif x<90:
return "failed"
else:
return "pass"
df["phpx"]= df["php"].map(map_score)
df
python | java | php | phpx | |
---|---|---|---|---|
peppa | 23 | 98 | 81 | failed |
mery | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed |
3) rename()函式:替換索引
對DataFrame的索引名進行更改,仍然是新建一個字典
score = pd.concat((df,df),keys=['A','B'],axis=1)
score
A | B | |||||||
---|---|---|---|---|---|---|---|---|
python | java | php | phpx | python | java | php | phpx | |
peppa | 23 | 98 | 81 | failed | 23 | 98 | 81 | failed |
mery | 33 | 31 | 74 | failed | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed | 94 | 13 | 89 | failed |
map_dic = {'peppa':'帥氣','mery':'美麗','python':'蟒蛇',
'java':'咖啡','php':'拍黃片','A':'上','B':'下'}
score.rename(map_dic) # 預設是替換 行的名稱
A | B | |||||||
---|---|---|---|---|---|---|---|---|
python | java | php | phpx | python | java | php | phpx | |
帥氣 | 23 | 98 | 81 | failed | 23 | 98 | 81 | failed |
美麗 | 33 | 31 | 74 | failed | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed | 94 | 13 | 89 | failed |
score.rename(columns=map_dic) # 指定columns可以對列名稱進行替換
上 | 下 | |||||||
---|---|---|---|---|---|---|---|---|
蟒蛇 | 咖啡 | 拍黃片 | phpx | 蟒蛇 | 咖啡 | 拍黃片 | phpx | |
peppa | 23 | 98 | 81 | failed | 23 | 98 | 81 | failed |
mery | 33 | 31 | 74 | failed | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed | 94 | 13 | 89 | failed |
score.rename(columns=map_dic,level=0) # 通過level引數 可以指定具體對哪一層級進行替換
上 | 下 | |||||||
---|---|---|---|---|---|---|---|---|
python | java | php | phpx | python | java | php | phpx | |
peppa | 23 | 98 | 81 | failed | 23 | 98 | 81 | failed |
mery | 33 | 31 | 74 | failed | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed | 94 | 13 | 89 | failed |
score.rename(columns=map_dic,level=1) # 0 是最外層
A | B | |||||||
---|---|---|---|---|---|---|---|---|
蟒蛇 | 咖啡 | 拍黃片 | phpx | 蟒蛇 | 咖啡 | 拍黃片 | phpx | |
peppa | 23 | 98 | 81 | failed | 23 | 98 | 81 | failed |
mery | 33 | 31 | 74 | failed | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed | 94 | 13 | 89 | failed |
score.rename(columns=map_dic,level=-1)
A | B | |||||||
---|---|---|---|---|---|---|---|---|
蟒蛇 | 咖啡 | 拍黃片 | phpx | 蟒蛇 | 咖啡 | 拍黃片 | phpx | |
peppa | 23 | 98 | 81 | failed | 23 | 98 | 81 | failed |
mery | 33 | 31 | 74 | failed | 33 | 31 | 74 | failed |
tom | 59 | 24 | 101 | pass | 59 | 24 | 101 | pass |
jack | 56 | 143 | 96 | pass | 56 | 143 | 96 | pass |
rose | 94 | 13 | 89 | failed | 94 | 13 | 89 | failed |
使用rename()函式替換行索引
- index 替換行索引
- columns 替換列索引
- level 指定多維索引的維度
3. 使用聚合操作對資料異常值檢測和過濾
使用 df.describe() 函式檢視每一列的描述性統計量
data = np.random.randn(1000,5)
df = DataFrame(data)
df
df.describe()
0 | 1 | 2 | 3 | 4 | |
---|---|---|---|---|---|
count | 1000.000000 | 1000.000000 | 1000.000000 | 1000.000000 | 1000.000000 |
mean | -0.041642 | 0.013773 | 0.014445 | 0.019873 | 0.042694 |
std | 1.025455 | 1.013594 | 0.983300 | 1.006718 | 0.968992 |
min | -2.977845 | -3.063590 | -3.032535 | -2.888868 | -3.191746 |
25% | -0.703325 | -0.712109 | -0.645296 | -0.644217 | -0.597502 |
50% | -0.054138 | 0.057187 | 0.001426 | 0.020060 | 0.057830 |
75% | 0.664146 | 0.704886 | 0.653665 | 0.690365 | 0.725881 |
max | 3.777147 | 3.113222 | 3.149599 | 3.305668 | 3.050308 |
使用std()函式可以求得DataFrame物件每一列的標準差
df.std()
結果為:
0 1.025455
1 1.013594
2 0.983300
3 1.006718
4 0.968992
dtype: float64
根據每一列或行的標準差,對DataFrame元素進行過濾。
藉助any()或all()函式, 測試是否有True,有一個或以上返回True,反之返回False
對每一列應用篩選條件,去除標準差太大的資料
# 尋找異常資料 太大的 或者 太小的
df.mean() # 各個列的平均值 是一個Series
df - df.mean() # DataFrame - Series DataFrame中的每一行都和Series做減法 對應的列相減
df - df.mean() > 3*df.std()
(df - df.mean() > 3*df.std()).any()
(df - df.mean() > 3*df.std()).any(axis=1) #
df[(df - df.mean() > 3*df.std()).any(axis=1)] #找到異常的行
刪除特定索引df.drop(labels,inplace = True)
drop_idx = df[(df - df.mean() > 3*df.std()).any(axis=1)].index
df.drop(drop_idx).shape
============================================
練習:
新建一個形狀為10000*3的標準正態分佈的DataFrame(np.random.randn),去除掉所有滿足以下情況的行:其中任一元素絕對值大於3倍標準差
============================================
4. 排序
使用.take()函式排序
- take()函式接受一個索引列表,用數字表示
- eg:df.take([1,3,4,2,5])
可以藉助np.random.permutation()函式隨機排序
data = np.random.randint(0,100,size=(5,5))
index = list('ABCDE')
columns = list('甲乙丙丁戊')
df = DataFrame(data=data,index=index,columns=columns)
df
甲 | 乙 | 丙 | 丁 | 戊 | |
---|---|---|---|---|---|
A | 19 | 22 | 59 | 34 | 79 |
B | 43 | 71 | 71 | 25 | 77 |
C | 46 | 63 | 43 | 14 | 66 |
D | 89 | 46 | 86 | 33 | 40 |
E | 36 | 79 | 66 | 68 | 67 |
df.take([3,2,1]) # 按照索引去取行 順序隨意 還可以重複 還可以不完全
甲 | 乙 | 丙 | 丁 | 戊 | |
---|---|---|---|---|---|
D | 89 | 46 | 86 | 33 | 40 |
C | 46 | 63 | 43 | 14 | 66 |
B | 43 | 71 | 71 | 25 | 77 |
df.take([3,3,3,3])
甲 | 乙 | 丙 | 丁 | 戊 | |
---|---|---|---|---|---|
D | 89 | 46 | 86 | 33 | 40 |
D | 89 | 46 | 86 | 33 | 40 |
D | 89 | 46 | 86 | 33 | 40 |
D | 89 | 46 | 86 | 33 | 40 |
np.random.permutation(5)
結果為:
array([3, 1, 4, 2, 0])
df.take(np.random.permutation(5)) # 隨機排序 (行不會少 也不會重複 只是順序隨機變換)
甲 | 乙 | 丙 | 丁 | 戊 | |
---|---|---|---|---|---|
B | 43 | 71 | 71 | 25 | 77 |
D | 89 | 46 | 86 | 33 | 40 |
C | 46 | 63 | 43 | 14 | 66 |
A | 19 | 22 | 59 | 34 | 79 |
E | 36 | 79 | 66 | 68 | 67 |
隨機抽樣
當DataFrame規模足夠大時,直接使用np.random.randint()函式,就配合take()函式實現隨機抽樣
df.take(np.random.randint(0,5,size=2)) # 隨機抽樣
甲 | 乙 | 丙 | 丁 | 戊 | |
---|---|---|---|---|---|
B | 43 | 71 | 71 | 25 | 77 |
C | 46 | 63 | 43 | 14 | 66 |
5. 資料分類處理【重點】
資料聚合是資料處理的最後一步,通常是要使每一個陣列生成一個單一的數值。
資料分類處理:
- 分組:先把資料分為幾組
- 用函式處理:為不同組的資料應用不同的函式以轉換資料
- 合併:把不同組得到的結果合併起來
資料分類處理的核心:
- groupby()函式
- groups屬性檢視分組情況
In [547]:
df = DataFrame({'item':['蘋果','香蕉','橘子','香蕉','橘子','蘋果','蘋果'],
'price':[4,3,3,2.5,4,2,2.8],
'color':['red','yellow','yellow','green','green','green','yello'],
'weight':[12,20,50,30,20,44,37]})
df
item | price | color | weight | |
---|---|---|---|---|
0 | 蘋果 | 4.0 | red | 12 |
1 | 香蕉 | 3.0 | yellow | 20 |
2 | 橘子 | 3.0 | yellow | 50 |
3 | 香蕉 | 2.5 | green | 30 |
4 | 橘子 | 4.0 | green | 20 |
5 | 蘋果 | 2.0 | green | 44 |
6 | 蘋果 | 2.8 | yello | 37 |
- 根據item分組,通過groups屬性檢視結果
df.groupby("item").groups
結果為:
{'橘子': Int64Index([2, 4], dtype='int64'),
'蘋果': Int64Index([0, 5, 6], dtype='int64'),
'香蕉': Int64Index([1, 3], dtype='int64')}
- 獲取weight的總和
df.groupby("item")["weight"].sum() #各類水果的總重量
結果為:
item
橘子 70
蘋果 93
香蕉 50
Name: weight, dtype: int64
- 把總和跟df進行merge合併
df2 = DataFrame(df.groupby("item")["weight"].sum())
df2
weight | |
---|---|
item | |
橘子 | 70 |
蘋果 | 93 |
香蕉 | 50 |
pd.merge(df,df2,on="item",how="outer",suffixes=["","_total"])
item | price | color | weight | weight_total | |
---|---|---|---|---|---|
0 | 蘋果 | 4.0 | red | 12 | 93 |
1 | 蘋果 | 2.0 | green | 44 | 93 |
2 | 蘋果 | 2.8 | yello | 37 | 93 |
3 | 香蕉 | 3.0 | yellow | 20 | 50 |
4 | 香蕉 | 2.5 | green | 30 | 50 |
5 | 橘子 | 3.0 | yellow | 50 | 70 |
6 | 橘子 | 4.0 | green | 20 | 70 |
相關文章
- Pandas 基礎 (6) - 用 replace () 函式處理不合理資料函式
- lambda匿名函式sorted排序函式filter過濾函式map對映函式函式排序Filter
- SQL中的替換函式replace()使用SQL函式
- [Python] Pandas 對資料進行查詢、替換、篩選、排序、重複值和缺失值處理Python排序
- PHP字串替換substr_replace與str_replace函式PHP字串函式
- js使用replace()函式替換所有指定字元JS函式字元
- 資料庫之DQL排序&分組&函式資料庫排序函式
- pandas.DataFrame.groupby函式應用函式
- javascript如何使用replace()函式替換所有指定字元JavaScript函式字元
- Mysql替換欄位中指定字元(replace 函式)MySql字元函式
- 關於 groupBy 分組查詢的分頁處理
- lodash.groupBy 處理陣列物件按需分組陣列物件
- Pandas 分組聚合操作詳解
- 【Hive】字串替換函式translate和regexp_replaceHive字串函式
- js刪除註冊的事件處理函式JS事件函式
- mongoDB中聚合函式java處理MongoDB函式Java
- JavaScript 資料處理 - 對映表篇JavaScript
- 06 pandas回顧 檔案的讀取read_excel、索引與切片(loc、iloc)、過濾、刪除、級聯、對映、排序、分組 的詳細例子Excel索引排序
- 單位元組處理函式函式
- 好程式設計師大資料學習路線分享函式+map對映+元祖程式設計師大資料函式
- 資料處理--pandas問題
- js replace 全域性替換JS
- 海量資料處理_刪除重複行
- Mybatis處理列名—欄位名對映— 駝峰式命名對映MyBatis
- Pandas 資料處理三板斧——map、apply、applymap 詳解APP
- Pandas 資料分析——超好用的 Groupby 詳解
- Python的pandas的Dataframe使用groupby分組並求每組的統計值Python
- MySQL全面瓦解10:分組查詢和聚合函式MySql函式
- 聚合函式及分組與過濾(GROUP BY … HAVING)函式
- js replace替換字串,同時替換多個方法JS字串
- C語言rename()函式:重新命名檔案或目錄C語言函式
- C#正規表示式(RegEx)高階應用之分組(Group)替換(Replace)C#
- Python資料處理-pandas用法Python
- python字元對映表和字元替換Python字元
- javascript刪除註冊的事件處理函式簡單介紹JavaScript事件函式
- 使用正規表示式替換字串的方法(replace方法)字串
- [MYSQL -11]使用函式處理資料MySql函式
- [Javascript] Object.groupBy & Map.groupByJavaScriptObject