我們有下面的一個數(shù)據(jù)，利用其做簡單的數(shù)據(jù)分析。

這是一家服裝店統(tǒng)計的會員數(shù)據(jù)。最上面的一行是列坐標，最左側(cè)一列是行坐標。列坐標中，第 0 列代表的是序號，第 1 列代表的會員的姓名，第 2 列代表年齡，第 3 列代表體重，第 4~6 列代表男性會員的三圍尺寸，第 7~9 列代表女性會員的三圍尺寸。

數(shù)據(jù)清洗規(guī)則總結(jié)為以下 4 個關(guān)鍵點，統(tǒng)一起來叫“完全合一”，下面來解釋下：

• 完整性：單條數(shù)據(jù)是否存在空值，統(tǒng)計的字段是否完善。
• 全面性：觀察某一列的全部數(shù)值，比如在 Excel 表中，我們選中一列，可以看到該列的平均值、最大值、最小值。我們可以通過常識來判斷該列是否有問題，比如：數(shù)據(jù)定義、單位標識、數(shù)值本身。
• 合法性：數(shù)據(jù)的類型、內(nèi)容、大小的合法性。比如數(shù)據(jù)中存在非 ASCII 字符，性別存在了未知，年齡超過了 150 歲等。
• 唯一性：數(shù)據(jù)是否存在重復(fù)記錄，因為數(shù)據(jù)通常來自不同渠道的匯總，重復(fù)的情況是常見的。行數(shù)據(jù)、列數(shù)據(jù)都需要是唯一的，比如一個人不能重復(fù)記錄多次，且一個人的體重也不能在列指標中重復(fù)記錄多次。
  

1、完整性

1.1 缺失值

一般情況下，由于數(shù)據(jù)量巨大，在采集數(shù)據(jù)的過程中，會出現(xiàn)有些數(shù)據(jù)單元沒有被采集到，也就是數(shù)據(jù)存在缺失。通常面對這種情況，我們可以采用以下三種方法：

• 刪除：刪除數(shù)據(jù)缺失的記錄
• 均值：使用當前列的均值填充
• 高頻：使用當前列出現(xiàn)頻率最高的數(shù)據(jù)
  

比如我們相對data[‘Age']中缺失的數(shù)值使用平均年齡進行填充，可以寫：

df['Age'].fillna(df['Age'].mean(), inplace=True)

如果我們用最高頻的數(shù)據(jù)進行填充，可以先通過 value_counts 獲取 Age 字段最高頻次 age_maxf，然后再對 Age 字段中缺失的數(shù)據(jù)用 age_maxf 進行填充：

age_maxf = train_features['Age'].value_counts().index[0]
train_features['Age'].fillna(age_maxf, inplace=True)

1.2 空行

我們發(fā)現(xiàn)數(shù)據(jù)中有一個空行，除了 index 之外，全部的值都是 NaN。Pandas 的 read_csv() 并沒有可選參數(shù)來忽略空行，這樣，我們就需要在數(shù)據(jù)被讀入之后再使用 dropna() 進行處理，刪除空行。

# 刪除全空的行
df.dropna(how='all',inplace=True) 

2、全面性

列數(shù)據(jù)的單位不統(tǒng)一

如果某一列數(shù)據(jù)其單位并不統(tǒng)一，比如weight列，有的單位為千克（Kgs），有的單位是磅（Lbs）。
這里我們使用千克作為統(tǒng)一的度量單位，將磅轉(zhuǎn)化為千克：

# 獲取 weight 數(shù)據(jù)列中單位為 lbs 的數(shù)據(jù)
rows_with_lbs = df['weight'].str.contains('lbs').fillna(False)
print df[rows_with_lbs]
# 將 lbs轉(zhuǎn)換為 kgs, 2.2lbs=1kgs
for i,lbs_row in df[rows_with_lbs].iterrows():
  # 截取從頭開始到倒數(shù)第三個字符之前，即去掉lbs。
  weight = int(float(lbs_row['weight'][:-3])/2.2)
  df.at[i,'weight'] = '{}kgs'.format(weight) 

3、合理性

 非ASCII字符

假設(shè)在數(shù)據(jù)集中 Firstname 和 Lastname 有一些非 ASCII 的字符。我們可以采用刪除或者替換的方式來解決非 ASCII 問題，這里我們使用刪除方法，也就是用replace方法：

# 刪除非 ASCII 字符
df['first_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)
df['last_name'].replace({r'[^\x00-\x7F]+':''}, regex=True, inplace=True)

4、唯一性

4.1 一列有多個參數(shù)

假設(shè)姓名（Name）包含了兩個參數(shù) Firstname和Lastname。為了達到數(shù)據(jù)整潔的目的，我們將 Name 列拆分成 Firstname 和 Lastname 兩個字段。我們使用 Python 的 split 方法，str.split(expand=True)，將列表拆成新的列，再將原來的 Name 列刪除。

# 切分名字，刪除源數(shù)據(jù)列
df[['first_name','last_name']] = df['name'].str.split(expand=True)
df.drop('name', axis=1, inplace=True)

4.2 重復(fù)數(shù)據(jù)

我們校驗一下數(shù)據(jù)中是否存在重復(fù)記錄。如果存在重復(fù)記錄，就使用 Pandas 提供的 drop_duplicates() 來刪除重復(fù)數(shù)據(jù)。

# 刪除重復(fù)數(shù)據(jù)行
df.drop_duplicates(['first_name','last_name'],inplace=True)

這樣，我們就將上面案例中中的會員數(shù)據(jù)進行了清理，來看看清理之后的數(shù)據(jù)結(jié)果。

到此這篇關(guān)于利用pandas進行數(shù)據(jù)清洗的方法的文章就介紹到這了,更多相關(guān)pandas 數(shù)據(jù)清洗內(nèi)容請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！

最新評論