前面我们用pandas做了一些基本的操作，接下来进一步了解数据的操作，
 数据清洗一直是数据分析中极为重要的一个环节。
数据合并
在pandas中可以通过merge对数据进行合并操作。
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)
结果为：

print(data2) 
结果为：

print(pd.merge(data1,data2)) 
结果为：

可以看到data1和data2中用于相同标签的字段显示，而其他字段则被舍弃，这相当于SQL中做inner join连接操作。
 此外还有outer,ringt,left等连接方式，用关键词how的进行表示。
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'))
结果为：

两个数据框中如果列名不同的情况下，我们可以通过指定letf_on 和right_on两个参数把数据连接在一起
print(pd.merge(data3,data4,left_on='level1',right_on='level2',how='left')) 
结果为：

其他详细参数说明

重叠数据合并
有时候我们会遇到重叠数据需要进行合并处理，此时可以用comebine_first函数。
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))
结果为：

可以看到相同标签下的内容优先显示data3的内容，如果一个数据框中的某一个数据是缺失的，此时另外一个数据框中的元素就会补上
这里的用法类似于np.where(isnull(a),b,a)
数据重塑和轴向旋转
这个内容我们在上一篇pandas文章有提到过。数据重塑主要使用reshape函数，旋转主要使用unstack和stack两个函数。
data=pd.DataFrame(np.arange(12).reshape(3,4),
    columns=['a','b','c','d'],
    index=['wang','li','zhang'])
print(data)
结果为：

print(data.unstack()) 
结果为：

数据转换
删除重复行数据
data=pd.DataFrame({'a':[1,3,3,4],
    'b':[1,3,3,5]})
print(data)
结果为：

print(data.duplicated()) 
结果为：

可以看出第三行是重复第二行的数据所以，显示结果为True
另外用drop_duplicates方法可以去除重复行
print(data.drop_duplicates()) 
结果为：
 

替换值
除了使用我们上一篇文章中提到的fillna的方法外，还可以用replace方法，而且更简单快捷
data=pd.DataFrame({'a':[1,3,3,4],
    'b':[1,3,3,5]})