前言
1. 删除重复
2. 异常值监测
3. 替换
4. 数据映射
5. 数值变量类型化
6. 创建哑变量
统计师的Python日记【第7天:数据清洗(1)】
前言
根据我的Python学习计划:
Numpy → Pandas → 掌握一些数据清洗、规整、合并等功能 → 掌握类似与SQL的聚合等数据管理功能 →能够用Python进行统计建模、假设检验等分析技能 → 能用Python打印出100元钱 → 能用Python帮我洗衣服、做饭 → 能用Python给我生小猴子......
上一篇的数据合并,以及本篇的数据清洗,都是非常非常实用的技能。我们用Python做数据分析,其实会有80%的功夫花在这些操作上面。我曾经去德国专门学过如何用做SAS数据清洗,数据清洗有一个专门的流程,涉及到数据缺失处理、变量值覆盖、日期时间数据、异常值、多选题数据处理、文本处理等等。日常项目中,可能随时用到这里面的某个技能,今天,就来学习一下Python的数据清洗吧!
现在有一份心脏病患者的数据,经过问卷调查之后,最终录入数据如下:
- Age:年龄
- Areas:来自哪里,有A/B/C/D四个地区
- ID:患者的唯一识别编号
- Package:每天抽几包烟,缺失的为-9,代表不抽烟
- SHabit:睡眠习惯,1-早睡早起;2-晚睡早起;3-早睡晚起;4-晚睡晚起
为了学习方便,假设这里就这些变量吧。
看完这个变量说明我不淡定了,这个数据存在很多问题啊!Age是年龄?158是什么鬼??还有6岁小孩,每天抽1包烟?ID是唯一编号吗?为什么有3个1号、2个5号、2个9号、2个10号?
这个数据问题太多了,因此我要逐一来清洗一下,顺便学一下数据清洗方面的知识。
1. 删除重复
3个1号、2个5号、2个9号、2个10号。这是数据录入中经常出现的问题——重复录入了,所以首先我要把那么多占空间又没用的重复数据剔除。
介绍两个方法:data.duplicated() 和 data.drop_duplicates(),前者标记出哪些是重复的(true),后者直接将重复删除。
所以drop.duplicates直接就将重复值删除了,默认保留第一条。
以上是按照“有两行数据,这两行数据的所有变量值都一样,这么这两行就算重复数据”,但有时候我们会只根据一个变量来剔除重复,比如值根据Areas这个变量,那么A/B/C/D四个地区只会保留第一条,传入take_last=True则保留最后一个:
A/B/C/D每个地区值保留一条数据了。
2. 异常值检测
在第一步剔除重复值之后。得到了无重复数据的data_noDup:
第二步,我想检测一下数据中有没有异常值。首先可以用 describe()进行一个描述分析,在第五天的学习中(第5天:Pandas,露两手)已经学过如何对数据进行描述:
有两个变量值得我们注意,一个是age,最大值158、最小值6,肯定有问题,另一个是package,最小值是-9,存在缺失。
用 data[条件] 的方式可以看一下有多少age大于100、age小于10,、package为-9的:
好了,检测完毕,现在来处理这些异常值。
3. 替换
我要把异常的年龄替换成缺失,把package等于-9的替换成0(换成0是因为,不抽烟其实也就是抽烟数量为0,这样还能少一些缺失值)。
替换的方式有2种,字典,或者替换关系组成的数组:
(1)data.replace([A,B], [A_R, B_R]),如果这里替换之后的值A_R和B_R是一样的,那么[A_R,B_R]直接是A_R就可以了
(2)data.replace({A:A_R,B:B_R}),这是字典的方式。
所以,这里想要将age的6、158替换成缺失,就应该为:
data_noDup['Age'].replace([158, 6], np.nan)
将package的-9替换成0:
data_noDup['Package'].replace(-9, 0)
替换之后的数据命名为data_noDup_rep:
4. 数据映射
接下来的一些处理,是为了变量能够更加便于分析,首先是要进行数据映射。什么是映射呢?以Areas为例,Areas取四个地区:A/B/C/D,这四个地区在分析的时候并没有什么意义,但A/B/C为城市,D为农村,这个很有意义,所以我要根据areas创建新变量CType:U-城市、R-农村,映射关系如下:
方法就是写一个映射字典,把A/B/C变成U,把D变成R:
areas_to_ctype={'A':'U','B':'U','C':'U','D':'R'}
然后使用 map(映射字典) 去创建新变量CType:
data_noDup_rep['CType']=data['Areas'].map(areas_to_ctype)
其实用替换也可以,但是替换是在原列上替换,而映射自己可以新建一个变量。
5. 数值变量类型化
接下来还要处理的变量是年龄Age,需要分成四组,
- 0:30岁以下,也就是0到30岁
- 1:30-40岁
- 2:40-50岁
- 3:50岁以上,不妨设为50-100岁
这个问题如果用映射MAP的话就麻烦了,每一个年龄都要写一个映射。使用 cut 函数来分割,就可以自己分割成几个组。
1)首先要设置几个分割点:0、30、40、50、100:cutPoint=[0,30, 40, 50,80]
2)接着,用cut(data, cutPoint) 的格式对age按照cutPoint进行划分:pd.cut(data_noDup_rep['Age'],cutPoint)
3)最后,将这个赋给新变量ageGroup:data_noDup_rep['ageGroup']=pd.cut(data_noDup_rep['Age'],cutPoint)
这样很不好看有木有?怎么把四个组分别用0、1、2、3来表示呢?
设定一个组标签groupLabel=[0,1,2,3],指定 labels=groupLable 即可。
data_noDup_rep['ageGroup']=pd.cut(data_noDup_rep['Age'],cutPoint, labels=groupLabel)
一个问题来了,依稀记得之前做过一个项目,样本量有7000,年龄分组是按照分位数来分的,那再python中能否实现?
可以的,用 qcut(data, n) 就可以,按照分位数分n组,比如分2组,那么就按照中位数来分,分4组,就按照四分位数来分。对这个例子我分两组:
data_noDup_rep['ageGroup'] =pd.qcut(data_noDup_rep['Age'],2)
6. 创建哑变量
哑变量一般用于两种情况:一是变量值是无序并列的,比如例子中的SHabit,四个选项1、2、3、4是并列的;另一种就是多选题,也需要生成哑变量。
以本例中的SHabit(睡眠情况)为例,四个取值是并列的,没有顺序,因此我们要把这1个问题变成4个:
SHabit(睡眠习惯,1-早睡早起;2-晚睡早起;3-早睡晚起;4-晚睡晚起)
变成:
SHabit_1:是否早睡早起?(0-否,1-是)
SHabit_2:是否晚睡早起?(0-否,1-是)
SHabit_3:是否早睡晚起?(0-否,1-是)
SHabit_4:是否晚睡晚起?(0-否,1-是)
使用 get.dummies(data[‘SHabit’] ) 就可以直接搞定:
生成了四个变量。要把它合并入原数据data_noDup_rep中去,只要用 merge 就可以了(上一文刚刚介绍过数据的合并,戳复习→第6天:数据合并)
data_noDup_rep_dum =pd.merge(data_noDup_rep,pd.get_dummies(data_noDup_rep['SHabit']),right_index=True, left_index=True)
(注:因为合并键值是索引,因此要用right_index=True和left_index=True)
一个问题:变量名1、2、3、4太丑了!
可以在get_dummies函数中加 prefix=’’ 选项为名字加一个前缀:
data_noDup_rep_dum =pd.merge(data_noDup_rep,pd.get_dummies(data_noDup_rep['SHabit'], prefix='SHabit' ),right_index=True, left_index=True)
变量比较多,所以换行显示了。还有一种情况,如果SHabit是多选呢?每个人的睡眠习惯不止一种,像这样:
这样的多选题数据,在分析中肯定一点用没有,处理的方法也是生成哑变量,如何生成?将在【第8天:数据清洗(2)文本分析】中学习,除此之外,还要学习如何进行分列处理、如何处理文本数据中的空白,如何使用正则表达式。