我們有下面的一個(gè)數(shù)據(jù)，利用其做簡(jiǎn)單的數(shù)據(jù)分析。
這是一家服裝店統(tǒng)計(jì)的會(huì)員數(shù)據(jù)。最上面的一行是列坐標(biāo)，最左側(cè)一列是行坐標(biāo)。列坐標(biāo)中，第 0 列代表的是序號(hào)，第 1 列代表的會(huì)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(huì)員的三圍尺寸，第 7~9 列代表女性會(huì)員的三圍尺寸。
數(shù)據(jù)清洗規(guī)則總結(jié)為以下 4 個(gè)關(guān)鍵點(diǎn)，統(tǒng)一起來叫“完全合一”，下面來解釋下：
- 完整性：?jiǎn)螚l數(shù)據(jù)是否存在空值，統(tǒng)計(jì)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(shí)來判斷該列是否有問題，比如：數(shù)據(jù)定義、單位標(biāo)識(shí)、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?yàn)閿?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(gè)人不能重復(fù)記錄多次，且一個(gè)人的體重也不能在列指標(biāo)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(huì)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(duì)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(dāng)前列的均值填充
- 高頻：使用當(dāng)前列出現(xiàn)頻率最高的數(shù)據(jù)
比如我們相對(duì)data[‘Age']中缺失的數(shù)值使用平均年齡進(jìn)行填充，可以寫：
)
如果我們用最高頻的數(shù)據(jù)進(jìn)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(duì) Age 字段中缺失的數(shù)據(jù)用 age_maxf 進(jìn)行填充：
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(gè)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(jìn)行處理，刪除空行。
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：
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(gè)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：
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(gè)參數(shù)
假設(shè)姓名（Name）包含了兩個(gè)參數(shù) Firstname和Lastname。為了達(dá)到數(shù)據(jù)整潔的目的，我們將 Name 列拆分成 Firstname 和 Lastname 兩個(gè)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。
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(yàn)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)。
df.drop_duplicates(['first_name','last_name'],inplace=True)
這樣，我們就將上面案例中中的會(huì)員數(shù)據(jù)進(jìn)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(jìn)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(qǐng)搜索以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持！
原文鏈接：https://blog.csdn.net/baidu_41797613/article/details/120420358
