Pandas 数据清洗
数据清洗是对一些没有用的数据进行处理的过程。
很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况,如果要使数据分析更加准确,就需要对这些没有用的数据进行处理。
在这个教程中,我们将利用 Pandas包来进行数据清洗。
本文使用到的测试数据 property-data.csv 如下:
上表包含了四种空数据:
- n/a
- NA
- —
- na
Pandas 清洗空值
如果我们要删除包含空字段的行,可以使用 dropna() 方法,语法格式如下:
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
参数说明:
- axis:默认为 ,表示逢空值剔除整行,如果设置参数 axis=1 表示逢空值去掉整列。
- how:默认为 'any' 如果一行(或一列)里任何一个数据有出现 NA 就去掉整行,如果设置 how='all' 一行(或列)都是 NA 才去掉这整行。
- thresh:设置需要多少非空值的数据才可以保留下来的。
- subset:设置想要检查的列。如果是多个列,可以使用列名的 list 作为参数。
- inplace:如果设置 True,将计算得到的值直接覆盖之前的值并返回 None,修改的是源数据。
我们可以通过 isnull() 判断各个单元格是否为空。
实例
df = pd. read_csv ( 'property-data.csv' )
print ( df [ 'NUM_BEDROOMS' ] )
print ( df [ 'NUM_BEDROOMS' ] . isnull ( ) )
以上实例输出结果如下:
以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据,na 不是空数据,不符合我们要求,我们可以指定空数据类型:
实例
missing_values = [ "n/a" , "na" , "--" ]
df = pd. read_csv ( 'property-data.csv' , na_values = missing_values )
print ( df [ 'NUM_BEDROOMS' ] )
print ( df [ 'NUM_BEDROOMS' ] . isnull ( ) )
以上实例输出结果如下:
接下来的实例演示了删除包含空数据的行。
实例
df = pd. read_csv ( 'property-data.csv' )
new_df = df. dropna ( )
print ( new_df. to_string ( ) )
以上实例输出结果如下:
注意: 默认情况下,dropna() 方法返回一个新的 DataFrame,不会修改源数据。
如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:
实例
df = pd. read_csv ( 'property-data.csv' )
df. dropna ( inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下:
我们也可以移除指定列有空值的行:
实例
移除 ST_NUM 列中字段值为空的行:
df = pd. read_csv ( 'property-data.csv' )
df. dropna ( subset = [ 'ST_NUM' ] , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下:
我们也可以 fillna() 方法来替换一些空字段:
实例
使用 12345 替换空字段:
df = pd. read_csv ( 'property-data.csv' )
df. fillna ( 12345 , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下:
我们也可以指定某一个列来替换数据:
实例
使用 12345 替换 PID 为空数据:
df = pd. read_csv ( 'property-data.csv' )
df [ 'PID' ] . fillna ( 12345 , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下:
替换空单元格的常用方法是计算列的均值、中位数值或众数。
Pandas使用 mean() 、 median() 和 mode() 方法计算列的均值(所有值加起来的平均值)、中位数值(排序后排在中间的数)和众数(出现频率最高的数)。
实例
使用 mean() 方法计算列的均值并替换空单元格:
df = pd. read_csv ( 'property-data.csv' )
x = df [ "ST_NUM" ] . mean ( )
df [ "ST_NUM" ] . fillna ( x , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下,红框为计算的均值替换来空单元格:
实例
使用 median() 方法计算列的中位数并替换空单元格:
df = pd. read_csv ( 'property-data.csv' )
x = df [ "ST_NUM" ] . median ( )
df [ "ST_NUM" ] . fillna ( x , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下,红框为计算的中位数替换来空单元格:
实例
使用 mode() 方法计算列的众数并替换空单元格:
df = pd. read_csv ( 'property-data.csv' )
x = df [ "ST_NUM" ] . mode ( )
df [ "ST_NUM" ] . fillna ( x , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下,红框为计算的众数替换来空单元格:
Pandas 清洗格式错误数据
数据格式错误的单元格会使数据分析变得困难,甚至不可能。
我们可以通过包含空单元格的行,或者将列中的所有单元格转换为相同格式的数据。
以下实例会格式化日期:
实例
# 第三个日期格式错误
data = {
"Date" : [ '2020/12/01' , '2020/12/02' , '20201226' ] ,
"duration" : [ 50 , 40 , 45 ]
}
df = pd. DataFrame ( data , index = [ "day1" , "day2" , "day3" ] )
df [ 'Date' ] = pd. to_datetime ( df [ 'Date' ] )
print ( df. to_string ( ) )
以上实例输出结果如下:
Date duration day1 2020-12-01 50 day2 2020-12-02 40 day3 2020-12-26 45
Pandas 清洗错误数据
数据错误也是很常见的情况,我们可以对错误的数据进行替换或移除。
以下实例会替换错误年龄的数据:
实例
person = {
"name" : [ 'Google' , 'yssmx' , 'Taobao' ] ,
"age" : [ 50 , 40 , 12345 ] # 12345 年龄数据是错误的
}
df = pd. DataFrame ( person )
df. loc [ 2 , 'age' ] = 30 # 修改数据
print ( df. to_string ( ) )
以上实例输出结果如下:
name age 0 Google 50 1 yssmx 40 2 Taobao 30
也可以设置条件语句:
实例
将 age 大于 120 的设置为 120:
person = {
"name" : [ 'Google' , 'yssmx' , 'Taobao' ] ,
"age" : [ 50 , 200 , 12345 ]
}
df = pd. DataFrame ( person )
for x in df. index :
if df. loc [ x , "age" ] > 120 :
df. loc [ x , "age" ] = 120
print ( df. to_string ( ) )
以上实例输出结果如下:
name age 0 Google 50 1 yssmx 120 2 Taobao 120
也可以将错误数据的行删除:
实例
将 age 大于 120 的删除:
person = {
"name" : [ 'Google' , 'yssmx' , 'Taobao' ] ,
"age" : [ 50 , 40 , 12345 ] # 12345 年龄数据是错误的
}
df = pd. DataFrame ( person )
for x in df. index :
if df. loc [ x , "age" ] > 120 :
df. drop ( x , inplace = True )
print ( df. to_string ( ) )
以上实例输出结果如下:
name age 0 Google 50 1 yssmx 40
Pandas 清洗重复数据
如果我们要清洗重复数据,可以使用 duplicated() 和 drop_duplicates() 方法。
如果对应的数据是重复的, duplicated() 会返回 True,否则返回 False。
实例
person = {
"name" : [ 'Google' , 'yssmx' , 'yssmx' , 'Taobao' ] ,
"age" : [ 50 , 40 , 40 , 23 ]
}
df = pd. DataFrame ( person )
print ( df. duplicated ( ) )
以上实例输出结果如下:
0 False 1 False 2 True 3 False dtype: bool
删除重复数据,可以直接使用 drop_duplicates() 方法。
实例
persons = {
"name" : [ 'Google' , 'yssmx' , 'yssmx' , 'Taobao' ] ,
"age" : [ 50 , 40 , 40 , 23 ]
}
df = pd. DataFrame ( persons )
df. drop_duplicates ( inplace = True )
print ( df )
以上实例输出结果如下:
name age 0 Google 50 1 yssmx 40 3 Taobao 23