如果你經(jīng)歷過數(shù)據(jù)清洗的過程，你就會(huì)明白我的意思。而這正是撰寫這篇文章的目的——讓讀者更輕松地進(jìn)行數(shù)據(jù)清洗工作。

事實(shí)上，我在不久前意識(shí)到，在進(jìn)行數(shù)據(jù)清洗時(shí)，有一些數(shù)據(jù)具有相似的模式。也正是從那時(shí)起，我開始整理并編譯了一些數(shù)據(jù)清洗代碼，我認(rèn)為這些代碼也適用于其它的常見場(chǎng)景。

由于這些常見的場(chǎng)景涉及到不同類型的數(shù)據(jù)集，因此本文更加側(cè)重于展示和解釋這些代碼可以用于完成哪些工作，以便讀者更加方便地使用它們。

數(shù)據(jù)清洗小工具箱

在下面的代碼片段中，數(shù)據(jù)清洗代碼被封裝在了一些函數(shù)中，代碼的目的十分直觀。你可以直接使用這些代碼，無需將它們嵌入到需要進(jìn)行少量參數(shù)修改的函數(shù)中。

1. 刪除多列數(shù)據(jù)

def drop_multiple_col(col_names_list, df): 
    '''
    AIM    -> Drop multiple columns based on their column names 

    INPUT  -> List of column names, df

    OUTPUT -> updated df with dropped columns 
    ------
    '''
    df.drop(col_names_list, axis=1, inplace=True)
    return df

有時(shí)，并不是所有列的數(shù)據(jù)都對(duì)我們的數(shù)據(jù)分析工作有用。因此，「df.drop」可以方便地刪掉你選定的列。

2. 轉(zhuǎn)換 Dtypes

def change_dtypes(col_int, col_float, df): 
    '''
    AIM    -> Changing dtypes to save memory

    INPUT  -> List of column names (int, float), df

    OUTPUT -> updated df with smaller memory  
    ------
    '''
    df[col_int] = df[col_int].astype('int32')
    df[col_float] = df[col_float].astype('float32')

當(dāng)我們面對(duì)更大的數(shù)據(jù)集時(shí)，我們需要對(duì)「dtypes」進(jìn)行轉(zhuǎn)換，從而節(jié)省內(nèi)存。如果你有興趣學(xué)習(xí)如何使用「Pandas」來處理大數(shù)據(jù)，我強(qiáng)烈推薦你閱讀「Why and How to Use Pandas with Large Data」這篇文章（https://towardsdatascience.com/why-and-how-to-use-pandas-with-large-data-9594dda2ea4c）。

3. 將分類變量轉(zhuǎn)換為數(shù)值變量

def convert_cat2num(df):
    # Convert categorical variable to numerical variable
    num_encode = {'col_1' : {'YES':1, 'NO':0},
                  'col_2'  : {'WON':1, 'LOSE':0, 'DRAW':0}}  
    df.replace(num_encode, inplace=True)  

有一些機(jī)器學(xué)習(xí)模型要求變量是以數(shù)值形式存在的。這時(shí)，我們就需要將分類變量轉(zhuǎn)換成數(shù)值變量然后再將它們作為模型的輸入。對(duì)于數(shù)據(jù)可視化任務(wù)來說，我建議大家保留分類變量，從而讓可視化結(jié)果有更明確的解釋，便于理解。

4. 檢查缺失的數(shù)據(jù)

def check_missing_data(df):
    # check for any missing data in the df (display in descending order)
    return df.isnull().sum().sort_values(ascending=False)

如果你想要檢查每一列中有多少缺失的數(shù)據(jù)，這可能是最快的方法。這種方法可以讓你更清楚地知道哪些列有更多的缺失數(shù)據(jù)，幫助你決定接下來在數(shù)據(jù)清洗和數(shù)據(jù)分析工作中應(yīng)該采取怎樣的行動(dòng)。

5. 刪除列中的字符串

def remove_col_str(df):
    # remove a portion of string in a dataframe column - col_1
    df['col_1'].replace('\n', '', regex=True, inplace=True)

    # remove all the characters after &# (including &#) for column - col_1
    df['col_1'].replace(' &#.*', '', regex=True, inplace=True)

有時(shí)你可能會(huì)看到一行新的字符，或在字符串列中看到一些奇怪的符號(hào)。你可以很容易地使用 df[‘col_1’].replace 來處理該問題，其中「col_1」是數(shù)據(jù)幀 df 中的一列。

6. 刪除列中的空格

def remove_col_white_space(df):
    # remove white space at the beginning of string 
    df[col] = df[col].str.lstrip()

當(dāng)數(shù)據(jù)十分混亂時(shí)，很多意想不到的情況都會(huì)發(fā)生。在字符串的開頭有一些空格是很常見的。因此，當(dāng)你想要?jiǎng)h除列中字符串開頭的空格時(shí)，這種方法很實(shí)用。

7. 將兩列字符串?dāng)?shù)據(jù)（在一定條件下）拼接起來

def concat_col_str_condition(df):
    # concat 2 columns with strings if the last 3 letters of the first column are 'pil'
    mask = df['col_1'].str.endswith('pil', na=False)
    col_new = df[mask]['col_1'] + df[mask]['col_2']
    col_new.replace('pil', ' ', regex=True, inplace=True)  # replace the 'pil' with emtpy space

當(dāng)你希望在一定條件下將兩列字符串?dāng)?shù)據(jù)組合在一起時(shí)，這種方法很有用。例如，你希望當(dāng)?shù)谝涣幸阅承┨囟ǖ淖帜附Y(jié)尾時(shí)，將第一列和第二列數(shù)據(jù)拼接在一起。根據(jù)你的需要，還可以在拼接工作完成后將結(jié)尾的字母刪除掉。

8. 轉(zhuǎn)換時(shí)間戳（從字符串類型轉(zhuǎn)換為日期「DateTime」格式）

def convert_str_datetime(df): 
    '''
    AIM    -> Convert datetime(String) to datetime(format we want)

    INPUT  -> df

    OUTPUT -> updated df with new datetime format 
    ------
    '''
    df.insert(loc=2, column='timestamp', value=pd.to_datetime(df.transdate, format='%Y-%m-%d %H:%M:%S.%f'))

在處理時(shí)間序列數(shù)據(jù)時(shí)，你可能會(huì)遇到字符串格式的時(shí)間戳列。這意味著我們可能不得不將字符串格式的數(shù)據(jù)轉(zhuǎn)換為根據(jù)我們的需求指定的日期「datetime」格式，以便使用這些數(shù)據(jù)進(jìn)行有意義的分析和展示。

到此這篇關(guān)于Python 八個(gè)數(shù)據(jù)清洗實(shí)例代碼詳解的文章就介紹到這了,更多相關(guān)Python 數(shù)據(jù)清洗內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論