前面我們用pandas做了一些基本的操作，接下來進一步了解數據的操作，
 數據清洗一直是數據分析中極為重要的一個環節。
數據合并
在pandas中可以通過merge對數據進行合并操作。
import numpy as np
import pandas as pd
data1 = pd.DataFrame({'level':['a','b','c','d'],
     'numeber':[1,3,5,7]})
data2=pd.DataFrame({'level':['a','b','c','e'],
     'numeber':[2,3,6,10]})
print(data1)
結果為：

print(data2) 
結果為：

print(pd.merge(data1,data2)) 
結果為：

可以看到data1和data2中用于相同標簽的字段顯示，而其他字段則被舍棄，這相當于SQL中做inner join連接操作。
 此外還有outer,ringt,left等連接方式，用關鍵詞how的進行表示。
data3 = pd.DataFrame({'level1':['a','b','c','d'],
     'numeber1':[1,3,5,7]})
data4=pd.DataFrame({'level2':['a','b','c','e'],
     'numeber2':[2,3,6,10]})
print(pd.merge(data3,data4,left_on='level1',right_on='level2'))
結果為：

兩個數據框中如果列名不同的情況下，我們可以通過指定letf_on 和right_on兩個參數把數據連接在一起
print(pd.merge(data3,data4,left_on='level1',right_on='level2',how='left')) 
結果為：

其他詳細參數說明

重疊數據合并
有時候我們會遇到重疊數據需要進行合并處理，此時可以用comebine_first函數。
data3 = pd.DataFrame({'level':['a','b','c','d'],
     'numeber1':[1,3,5,np.nan]})
 data4=pd.DataFrame({'level':['a','b','c','e'],
     'numeber2':[2,np.nan,6,10]})
 print(data3.combine_first(data4))
結果為：

可以看到相同標簽下的內容優先顯示data3的內容，如果一個數據框中的某一個數據是缺失的，此時另外一個數據框中的元素就會補上
這里的用法類似于np.where(isnull(a),b,a)
數據重塑和軸向旋轉
這個內容我們在上一篇pandas文章有提到過。數據重塑主要使用reshape函數，旋轉主要使用unstack和stack兩個函數。
data=pd.DataFrame(np.arange(12).reshape(3,4),
    columns=['a','b','c','d'],
    index=['wang','li','zhang'])
print(data)
結果為：

print(data.unstack()) 
結果為：

數據轉換
刪除重復行數據
data=pd.DataFrame({'a':[1,3,3,4],
    'b':[1,3,3,5]})
print(data)
結果為：

print(data.duplicated()) 
結果為：

可以看出第三行是重復第二行的數據所以，顯示結果為True
另外用drop_duplicates方法可以去除重復行
print(data.drop_duplicates()) 
結果為：
 

替換值
除了使用我們上一篇文章中提到的fillna的方法外，還可以用replace方法，而且更簡單快捷
data=pd.DataFrame({'a':[1,3,3,4],
    'b':[1,3,3,5]})