今天就跟大家聊聊有关数据清洗常用的2个小trick分别是什么，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。
Pandas 巧用 str.split 和 str.cat
因为以上两个方法，直接按列操作，所以省掉一层 for 循环，下面直接看例子。
df = pd.DataFrame({'names':["Geordi La Forge", "Deanna Troi", "Jack"],'IDs':[1,2,3]})
df
列分割
对 names 列，按照第一个空格分割为两列：
df["first_name"] = df["names"].str.split(n = 1).str[0]
df["last_name"] = df["names"].str.split(n = 1).str[1]
df
结果如下：
列合并方法 1
分割列搞定，接下来再合并回去，使用 cat 方法：
df["names_copy"] = df["first_name"].str.cat(df["last_name"], sep = " ")
df
合并两列得到一个新列 names_copy 搞定！
列合并方法 2
还有别的合并方法吗，直接使用 + 连接字符串：
df["names_copy2"] = df["first_name"] + " "+ df["last_name"]
df
效果是一样的：
Pandas 多条件筛选可读性较好的写法
有特征上百个，根据多个特征筛选 DataFrame 时，如果这么做，可读性不太友好：
df[(df["continent"] == "Europe") & (df["beer_servings"] > 150) & (df["wine_servings"] > 50) & (df["spirit_servings"] < 60)]
连续多个筛选条件写到一行里。
更好可读性的写法
cr1 = df["continent"] == "Europe"
cr2 = df["beer_servings"] > 150
cr3 = df["wine_servings"] > 50
cr4 = df["spirit_servings"] < 60
df[cr1 & cr2 & cr3 & cr4]
看完上述内容，你们对数据清洗常用的2个小trick分别是什么有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注天达云行业资讯频道，感谢大家的支持。