您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iProcess 课程 认证 咨询 工具 讲座 Modeler   Code  
会员   
 
   
 
     
   
 订阅
  捐助
python3常用的数据清洗方法
 
313 次浏览     评价:  
 2019-9-27 
 
编辑推荐:
本文来自于csdn,文章主要通过案例介绍了数据清洗方法,介绍较为详细,希望对大家有帮助。

首先载入各种包:

import pandas as pd
import numpy as np
from collections import Counter
from sklearn import preprocessing
from matplotlib import pyplot as plt
%matplotlib inline
import seaborn as sns
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字体设置-黑体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
sns.set(font='SimHei') # 解决Seaborn中文显示问题

 

读入数据:这里数据是编造的

data=pd.read_excel('dummy.xlsx')

 

本案例的真实数据是这样的:

对数据进行多方位的查看:

实际情况中可能会有很多行,一般用head()看数据基本情况

data.head() #查看长啥样
data.shape #查看数据的行列大小
data.describe()

#列级别的判断,但凡某一列有null值或空的,则为真
data.isnull().any()
#将列中为空或者null的个数统计出来,并将缺失值最多的排前
total = data.isnull().sum().sort_values (ascending=False)
print(total)#输出百分比:
percent =(data.isnull().sum( )/data.isnull( ).count()).sort_values(ascending=False)
missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
missing_data.head(20)

也可以从视觉上直观查看缺失值:

import missingno
missingno.matrix(data)
data=data.dropna(thresh=data.shape [0]*0.5,axis=1) #至少有一半以上是非空的列筛选出来

 

#如果某一行全部都是na才删除:
data.dropna(axis=0,how='all')

#默认情况下是只保留没有空值的行
data=data.dropna(axis=0)

#统计重复记录数
data.duplicated().sum()
data.drop_duplicates()

 

对连续型数据和离散型数据分开处理:

data.columns
#第一步,将整个data的连续型字段和离散型字段进行归类
id_col=['姓名']
cat_col=['学历','学校'] #这里是离散型无序,如果有序,请参考map用法,一些博客上有写
cont_col=['成绩','能力'] #这里是数值型
print (data[cat_col]) #这里是离散型的数据部分
print (data[cont_col])#这里是连续性数据部分

对于离散型部分:

#计算出现的频次
for i in cat_col:
print (pd.Series(data[i]).value_counts())
plt.plot(data[i])

#对于离散型数据,对其获取哑变量
dummies=pd.get_dummies(data[cat_col])
dummies

对于连续型部分:

#对于连续型数据的大概统计:
data[cont_col].describe()
#对于连续型数据,看偏度,一般大于0.75的数值做一个log转化,使之尽量符合正态分布,因为很多模型的假设数据是服从正态分布的
skewed_feats = data[cont_col].apply( lambda x: (x.dropna()).skew() )#compute skewness
skewed_feats = skewed_feats[skewed_feats > 0.75]
skewed_feats = skewed_feats.index
data[skewed_feats] = np.log1p(data[skewed_feats])
skewed_feats

 

#对于连续型数据,对其进行标准化
scaled=preprocessing.scale( data[cont_col])
scaled=pd.DataFrame( scaled,columns=cont_col)
scaled

m=dummies.join(scaled)
data_cleaned=data[id_col].join(m)
data_cleaned

看变量之间的相关性:

data_cleaned.corr()

#以下是相关性的热力图,方便肉眼看
def corr_heat(df):
dfData = abs(df.corr())
plt.subplots(figsize=(9, 9)) # 设置画面大小
sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap=" Blues")
# plt.savefig ('./BluesStateRelation.png')
plt.show()
corr_heat(data_cleaned)

如果有觉得相关性偏高的视情况删减某些变量。

#取出与某个变量(这里指能力)相关性最大的前四个,做出热点图表示
k = 4 #number of variables for heatmap
cols = corrmat.nlargest(k, '能力' )['能力'].index
cm = np.corrcoef(data_cleaned[ cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt='.2f', annot_kws={'size': 10}, yticklabels=cols.values, xticklabels =cols.values)
plt.show()

 

 
   
313 次浏览  评价: 差  订阅 捐助
相关文章

手机软件测试用例设计实践
手机客户端UI测试分析
iPhone消息推送机制实现与探讨
Android手机开发(一)
相关文档

Android_UI官方设计教程
手机开发平台介绍
android拍照及上传功能
Android讲义智能手机开发
相关课程

Android高级移动应用程序
Android系统开发
Android应用开发
手机软件测试