這里數(shù)據(jù)清洗需要用到的庫是pandas庫，下載方式還是在終端運行 ： pip install pandas.

首先我們需要對數(shù)據(jù)進行讀取

import pandas as pd
 
data = pd.read_csv(r'E:\PYthon\用戶價值分析 RFM模型\data.csv')
pd.set_option('display.max_columns', 888)  # 大于總列數(shù)
pd.set_option('display.width', 1000)
print(data.head())
print(data.info())

第3行是對數(shù)據(jù)進行讀取，pandas庫里面有讀取函數(shù)調用即可，csv格式是讀取寫入速度最快的。

第4，5行是為了讀取的實話顯示全部的列，是因為很多列的話pycharm會把中間一些列隱藏掉，所以我們這為了他不隱藏就加這兩行代碼。

第6行是顯示表頭，我們可以看到有什么字段，列名

第7行是顯示表的基本信息，每一列有多少數(shù)據(jù)，字段是什么類型的數(shù)據(jù)。非空的數(shù)據(jù)有多少，所以我們第一步就可以看得到基本那一列有空值了。

空值處理

data.info()后我們可以看到大部分數(shù)據(jù)都有541909行，所以我們大致猜到是Description ，CustomerID 列漏結果了

# 空值處理
print(data.isnull().sum())  # 空值中和，查看每一列的空值
 
# 空值刪除
data.drop(columns=['Description'], inplace=True)
print(data.info())
data.isnull()判斷是否為空。data.isnumll().sum()計算空值數(shù)量。

第5行進行空值刪除，這里先刪除Description列的空值，inplace=True意思是對數(shù)據(jù)進行修改，如果沒有inplace=True，則不對data進行修改，打印數(shù)據(jù)還是和之前一樣，或者重新定義一個變量進行賦值。

由于這一列空值數(shù)據(jù)比較少，這一列數(shù)據(jù)對我們數(shù)據(jù)分析沒有那么重要，所以我們選擇刪除這一整列。

我們這個表是對客戶進行篩選的，所以以CustomerID為準，強制刪除其他列

# CustomerID有空值
# 刪除所有列的空值
data.dropna(inplace=True)
# print(data.info())
print(data.isnull().sum())  # 由于CustomerID為必須字段，所以強制刪除其他列，以CustomerID為準

這里我們先對其他字段進行類型轉換

類型轉換

# 轉換為日期類型
data['InvoiceDate'] = pd.to_datetime(data['InvoiceDate'])
 
# CustomerID 轉換為整型
data['CustomerID'] = data['CustomerID'].astype('int')
print(data.info())

以上我們處理了空值，接下來我們處理異常值。

異常值處理

查看表的基本數(shù)據(jù)分布可以使用describe

print(data.describe())

可以看到數(shù)據(jù)Quantity 列中最小值為-80995.這列明顯有異常值，所以需要對這一列進行異常值篩選。

只需要大于0的值。

data = data[data['Quantity'] > 0]
print(data)

打印一下就只有397924行了。

重復值處理

# 查看重復值
print(data[data.duplicated()])

有5194行重復值，這里的重復值是完全重復的，所以是沒用的數(shù)據(jù)我們可以進行刪除。

刪除重復值

# 刪除重復值
data.drop_duplicates(inplace=True)
 
print(data.info())

刪除后對原來的表進行保存，再去查看一下表的基本信息

現(xiàn)在還剩下392730條數(shù)據(jù)。數(shù)據(jù)到這一步就完成了數(shù)據(jù)清洗。空值，異常值，重復值，類型轉換。后面一篇文章是對數(shù)據(jù)進行分析。

到此這篇關于一文帶你深入了解Python中的數(shù)據(jù)清洗的文章就介紹到這了,更多相關Python數(shù)據(jù)清洗內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論