快捷導航

使用Pandas實現(xiàn)數(shù)據(jù)的清理的入門詳解

更新時間：2023年08月15日 14:19:11 作者：deephub

數(shù)據(jù)清理是數(shù)據(jù)分析過程中的關(guān)鍵步驟，它涉及識別缺失值、重復行、異常值和不正確的數(shù)據(jù)類型，本文將介紹6個經(jīng)常使用的數(shù)據(jù)清理操作，希望對大家有所幫助

檢查缺失值

isnull()

方法可以用于查看數(shù)據(jù)框或列中的缺失值。

# Check for missing values in the dataframe
 df.isnull()
 # Check the number of missing values in the dataframe
 df.isnull().sum().sort_values(ascending=False)

# Check for missing values in the 'Customer Zipcode' column
 df['Customer Zipcode'].isnull().sum()
 # Check what percentage of the data frame these 3 missing values ??represent
 print(f"3 missing values represents {(df['Customer Zipcode'].isnull().sum() / df.shape[0] * 100).round(4)}% of the rows in our DataFrame.")

Zipcode列中有3個缺失值

dropna()

可以刪除包含至少一個缺失值的任何行或列。

# Drop all the rows where at least one element is missing
 df = df.dropna()    
 # or df.dropna(axis=0) **(axis=0 for rows and axis=1 for columns)
 # Note: inplace=True modifies the DataFrame rather than creating a new one
 df.dropna(inplace=True)
 # Drop all the columns where at least one element is missing
 df.dropna(axis=1, inplace=True)
 # Drop rows with missing values in specific columns
 df.dropna(subset = ['Additional Order items', 'Customer Zipcode'], inplace=True)

fillna()

也可以用更合適的值替換缺失的值，例如平均值、中位數(shù)或自定義值。

# Fill missing values in the dataset with a specific value
 df = df.fillna(0)
 # Replace missing values in the dataset with median
 df = df.fillna(df.median())
 # Replace missing values in Order Quantity column with the mean of Order Quantities
 df['Order Quantity'].fillna(df["Order Quantity"].mean, inplace=True)

檢查重復行

duplicate()

方法可以查看重復的行。

# Check duplicate rows
 df.duplicated()
 # Check the number of duplicate rows
 df.duplicated().sum()

drop_duplates()

可以使用這個方法刪除重復的行。

# Drop duplicate rows (but only keep the first row)
 df = df.drop_duplicates(keep='first') #keep='first' / keep='last' / keep=False
 # Note: inplace=True modifies the DataFrame rather than creating a new one
 df.drop_duplicates(keep='first', inplace=True)

處理離群值

異常值是可以顯著影響分析的極端值?？梢酝ㄟ^刪除它們或?qū)⑺鼈冝D(zhuǎn)換為更合適的值來處理它們。

describe()

的maximum和mean之類的信息可以幫助我們查找離群值。

# Get a statistics summary of the dataset
 df["Product Price"].describe()

max”值:1999。其他數(shù)值都不接近1999年，而平均值是146，所以可以確定1999是一個離群值，需要處理

或者還可以繪制直方圖查看數(shù)據(jù)的分布。

plt.figure(figsize=(8, 6))
 df["Product Price"].hist(bins=100)

在直方圖中，可以看到大部分的價格數(shù)據(jù)都在0到500之間。

箱線圖在檢測異常值時也很有用。

plt.figure(figsize=(6, 4))
 df.boxplot(column=['Product Price'])

可以看到價格列有多個離群值數(shù)據(jù)點。(高于400的值)

檢查列的數(shù)據(jù)類型

info()

可以查看數(shù)據(jù)集中列的數(shù)據(jù)類型。

# Provide a summary of dataset
 df.info()

to_datetime()

方法將列轉(zhuǎn)換為日期時間數(shù)據(jù)類型。

# Convert data type of Order Date column to date
 df["Order Date"] = pd.to_datetime(df["Order Date"])

to_numeric()

可以將列轉(zhuǎn)換為數(shù)字數(shù)據(jù)類型(例如，整數(shù)或浮點數(shù))。

# Convert data type of Order Quantity column to numeric data type
 df["Order Quantity"] = pd.to_numeric(df["Order Quantity"])

to_timedelta()

方法將列轉(zhuǎn)換為timedelta數(shù)據(jù)類型，如果值表示持續(xù)時間，可以使用這個函數(shù)

# Convert data type of Duration column to timedelta type
 df["Duration "] = pd.to_timedelta(df["Duration"])

刪除不必要的列

drop()

方法用于從數(shù)據(jù)框中刪除指定的行或列。

# Drop Order Region column
 # (axis=0 for rows and axis=1 for columns)
 df = df.drop('Order Region', axis=1)
 # Drop Order Region column without having to reassign df (using inplace=True)
 df.drop('Order Region', axis=1, inplace=True)
 # Drop by column number instead of by column label
 df = df.drop(df.columns[[0, 1, 3]], axis=1)  # df.columns is zero-based

數(shù)據(jù)不一致處理

數(shù)據(jù)不一致可能是由于格式或單位不同造成的。Pandas提供字符串方法來處理不一致的數(shù)據(jù)。

str.lower() & str.upper()

這兩個函數(shù)用于將字符串中的所有字符轉(zhuǎn)換為小寫或大寫。它有助于標準化DataFrame列中字符串的情況。

# Rename column names to lowercase
 df.columns = df.columns.str.lower()

# Rename values in  Customer Fname column to uppercase
 df["Customer Fname"] = df["Customer Fname"].str.upper()

str.strip()

函數(shù)用于刪除字符串值開頭或結(jié)尾可能出現(xiàn)的任何額外空格。

# In Customer Segment column, convert names to lowercase and remove leading/trailing spaces
 df['Customer Segment'] = df['Customer Segment'].str.lower().str.strip()

replace()

函數(shù)用于用新值替換DataFrame列中的特定值。

# Replace values in dataset
 df = df.replace({"CA": "California", "TX": "Texas"})

# Replace values in a spesific column
 df["Customer Country"] = df["Customer Country"].replace({"United States": "USA", "Puerto Rico": "PR"})

mapping()

可以創(chuàng)建一個字典，將不一致的值映射到標準化的對應(yīng)值。然后將此字典與replace()函數(shù)一起使用以執(zhí)行替換。

# Replace specific values using mapping
 mapping = {'CA': 'California', 'TX': 'Texas'}
 df['Customer State'] = df['Customer State'].replace(mapping)

rename()

函數(shù)用于重命名DataFrame的列或索引標簽。

# Rename some columns
 df.rename(columns={'Customer City': 'Customer_City', 'Customer Fname' : 'Customer_Fname'}, inplace=True)
 # Rename some columns
 new_names = {'Customer Fname':'Customer_Firstname', 'Customer Fname':'Customer_Fname'}
 df.rename(columns=new_names, inplace=True)
 df.head()