klib提供了一系列非常易于应用的函数,具有合理的默认值,几乎可以用在任何DataFrame上,用于评估数据质量、获得灵感、执行数据清洗和可视化,从而更轻便、更高效的处理Python Pandas DataFrame数据。
klib可视化数据
-klib.cat_plot(df) # 展示分类特征数量和频率
-klib.corr_mat(df) # 相关性矩阵
-klib.corr_plot(df) # 热力图,适用于展示相关性
-klib.corr_interactive_plot(df, split="neg").show() # 交互式相关性图表
-klib.dist_plot(df) # 每个数值特征的分布
-klib.missingval_plot(df) # 缺失值信息图
例如,cat_plot,
import klib
import plotly
import pandas as pddf = pd.read_csv("./NFL_DATASET.csv").iloc[:, 10:]
df_cleaned = klib.data_cleaning(df) #清洗
klib.cat_plot(df_cleaned.iloc[:, 10:28], figsize=(24, 15)) #cat_plot可视化
例如,展示缺省值,
klib.missingval_plot(df_cleaned)
再例如,corr_interactive_plot基于plotly构建交互式相关性图表,
klib.corr_interactive_plot(df, annot=False, figsize=(20,17))
klib清洗数据
主要包含如下函数,
-klib.data_cleaning(df) # 执行数据清洗(删除重复项和空行/列,调整数据类型等)
-klib.clean_column_names(df) # 清理和标准化列名,也在 data_cleaning() 中调用
-klib.convert_datatypes(df) # 将现有数据转换为更高效的数据类型,也在 data_cleaning() 中调用
-klib.drop_missing(df) # 删除缺失值,也在 data_cleaning() 中调用
-klib.mv_col_handling(df) # 基于信息内容删除缺失值比率高的特征
-klib.pool_duplicate_subsets(df) # 基于最小信息损失汇总具有重复项的列子集
不一一举例,开源地址 https://github.com/akanz1/klib
以上就是“一个超强的Python库,数据可视化、数据清洗神器!”的全部内容,希望对你有所帮助。
关于Python技术储备
学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
一、Python所有方向的学习路线
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、Python必备开发工具
三、Python视频合集
观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
四、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
五、Python练习题
检查学习结果。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
最后祝大家天天进步!!
上面这份完整版的Python全套学习资料已经上传至CSDN官方,朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。