我們知道現實中的數據通常是雜亂無章的，需要大量的預處理才能使用。
Pandas 是應用最廣泛的數據分析和處理庫之一，它提供了多種對原始數據進行預處理的方法。
import numpy as np
import pandas as pd
df = pd.DataFrame({
"id": [100, 100, 101, 102, 103, 104, 105, 106],
"A": [1, 2, 3, 4, 5, 2, np.nan, 5],
"B": [45, 56, 48, 47, 62, 112, 54, 49],
"C": [1.2, 1.4, 1.1, 1.8, np.nan, 1.4, 1.6, 1.5]
})
df
上述數據中 NaN 表示的缺失值，id 列包含重復的值，B 列中的 112 似乎是一個異常值。
這些就是現實數據中的一些典型問題。我們將創建一個管道來處理剛才描述的問題。對于每個任務，我們都需要一個函數。因此，首先是創建放置在管道中的函數。需要注意的是，管道中使用的函數需要將數據幀作為參數并返回數據幀。
第一個函數是處理缺少的值
def fill_missing_values(df):
for col in df.select_dtypes(include= ["int","float"]).columns:
val = df[col].mean()
df[col].fillna(val, inplace=True)
return df
我喜歡用列的平均值替換數字列中缺少的值，當然你也可以根據具體場景來定義。只要它將數據幀作為參數并返回數據幀，它就可以在管道中工作。
第二個函數是幫助我們刪除重復的值
def drop_duplicates(df, column_name): df = df.drop_duplicates(subset=column_name) return df
調用 Pandas 內置的 drop duplicates 函數，它可以消除給定列中的重復值。
最后一個函數是用于消除異常值
def remove_outliers(df, column_list):
for col in column_list:
avg = df[col].mean()
std = df[col].std()
low = avg - 2 * std
high = avg + 2 * std
df = df[df[col].between(low, high, inclusive=True)]
return df
此函數的作用如下：
- 需要一個數據幀和一列列表
- 對于列表中的每一列，它計算平均值和標準偏差
- 計算標準差，并使用下限平均值
- 刪除下限和上限定義的范圍之外的值
與前面的函數一樣，你可以選擇自己的檢測異常值的方法。
創建管道
我們現在有3個函數來進行數據預處理的任務。接下來就是使用這些函數創建管道。
df_processed = (df.pipe(fill_missing_values).pipe(drop_duplicates, "id").pipe(remove_outliers, ["A","B"]))
此管道按給定順序執行函數。我們可以將參數和函數名一起傳遞給管道。
這里需要提到的一點是，管道中的一些函數修改了原始數據幀。因此，使用上述管道也將更新df。
解決此問題的一個方法是在管道中使用原始數據幀的副本。如果你不關心保持原始數據幀的原樣，那么可以在管道中使用它。
我將更新管道，如下所示：
my_df = df.copy() df_processed = (my_df.pipe(fill_missing_values).pipe(drop_duplicates, "id").pipe(remove_outliers, ["A","B"]))
讓我們看一下原始數據幀和處理后的數據幀：
結論
當然，你可以通過單獨使用這些函數來完成相同的任務。但是，管道函數提供了一種結構化和有組織的方式，可以將多個功能組合到單個操作中。
根據原始數據和任務，預處理可能包括更多步驟。可以根據需要在管道函數中添加任意數量的步驟。隨著步驟數量的增加，與單獨執行函數相比，管道函數的語法變得更清晰。
以上就是python優化數據預處理方法Pandas pipe詳解的詳細內容，更多關于pandas pipe數據預處理優化的資料請關注服務器之家其它相關文章！
原文鏈接：https://blog.csdn.net/weixin_38037405/article/details/119301610
