程式碼工具 | 數據清洗,試試這 8套Python程式碼
- 2019 年 11 月 27 日
- 筆記
原作 Kin Lim Lee 乾明 編譯整理 量子位 出品 | 公眾號 QbitAI
數據清洗,是進行數據分析和使用數據訓練模型的必經之路,也是最耗費數據科學家/程式設計師精力的地方。
這些用於數據清洗的程式碼有兩個優點:一是由函數編寫而成,不用改參數就可以直接使用。二是非常簡單,加上注釋最長的也不過11行。
在介紹每一段程式碼時,Lee都給出了用途,也在程式碼中也給出注釋。
大家可以把這篇文章收藏起來,當做工具箱使用。
涵蓋8大場景的數據清洗程式碼
這些數據清洗程式碼,一共涵蓋8個場景,分別是:
刪除多列、更改數據類型、將分類變數轉換為數字變數、檢查缺失數據、刪除列中的字元串、刪除列中的空格、用字元串連接兩列(帶條件)、轉換時間戳(從字元串到日期時間格式)
刪除多列
在進行數據分析時,並非所有的列都有用,用df.drop可以方便地刪除你指定的列。
def drop_multiple_col(col_names_list, df): AIM -> Drop multiple columns based on their column names INPUT -> List of column names, df OUTPUT -> updated df with dropped columns ------ df.drop(col_names_list, axis=1, inplace=True) return df
轉換數據類型
當數據集變大時,需要轉換數據類型來節省記憶體。
def change_dtypes(col_int, col_float, df): AIM -> Changing dtypes to save memory INPUT -> List of column names (int, float), df OUTPUT -> updated df with smaller memory ------ df[col_int] = df[col_int].astype( int32 ) df[col_float] = df[col_float].astype( float32 )
將分類變數轉換為數值變數
一些機器學習模型要求變數採用數值格式。這需要先將分類變數轉換為數值變數。同時,你也可以保留分類變數,以便進行數據可視化。
def convert_cat2num(df): # Convert categorical variable to numerical variable num_encode = { col_1 : { YES :1, NO :0}, col_2 : { WON :1, LOSE :0, DRAW :0}} df.replace(num_encode, inplace=True)
檢查缺失數據
如果你要檢查每列缺失數據的數量,使用下列程式碼是最快的方法。可以讓你更好地了解哪些列缺失的數據更多,從而確定怎麼進行下一步的數據清洗和分析操作。
def check_missing_data(df): # check for any missing data in the df (display in descending order) return df.isnull().sum().sort_values(ascending=False)
刪除列中的字元串
有時候,會有新的字元或者其他奇怪的符號出現在字元串列中,這可以使用df[『col_1』].replace很簡單地把它們處理掉。
def remove_col_str(df): # remove a portion of string in a dataframe column - col_1 df[ col_1 ].replace( , , regex=True, inplace=True) # remove all the characters after &# (including &#) for column - col_1 df[ col_1 ].replace( &#.* , , regex=True, inplace=True)
刪除列中的空格
數據混亂的時候,什麼情況都有可能發生。字元串開頭經常會有一些空格。在刪除列中字元串開頭的空格時,下面的程式碼非常有用。
def remove_col_white_space(df): # remove white space at the beginning of string df[col] = df[col].str.lstrip()
用字元串連接兩列(帶條件)
當你想要有條件地用字元串將兩列連接在一起時,這段程式碼很有幫助。比如,你可以在第一列結尾處設定某些字母,然後用它們與第二列連接在一起。
根據需要,結尾處的字母也可以在連接完成後刪除。
轉換時間戳(從字元串到日期時間格式)
在處理時間序列數據時,我們很可能會遇到字元串格式的時間戳列。
這意味著要將字元串格式轉換為日期時間格式(或者其他根據我們的需求指定的格式) ,以便對數據進行有意義的分析。
def convert_str_datetime(df): AIM -> Convert datetime(String) to datetime(format we want) INPUT -> df OUTPUT -> updated df with new datetime format ------ df.insert(loc=2, column= timestamp , value=pd.to_datetime(df.transdate, format= %Y-%m-%d %H:%M:%S.%f ))
原文鏈接
https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38