学会使用Pandas进行数据清洗

大家好，如果你对数据科学感兴趣，那么数据清洗可能对你来说是一个熟悉的术语，本文将向你介绍使用Pandas进行数据清洗的过程。我们的数据通常来自多个资源，而且并不干净，它可能包含缺失值、重复值、错误或不需要的格式等，在这种混乱的数据上运行实验会导致错误的结果。因此，在将数据输入模型之前，有必要对数据进行准备，这种通过识别和解决潜在的错误、不准确性和不一致性来准备数据的做法被称为数据清洗。

本文将使用著名的鸢尾花数据集进行操作。鸢尾花数据集包含三个品种的鸢尾花的四个特征测量值：萼片长度、萼片宽度、花瓣长度和花瓣宽度。本文将使用以下库：

• Pandas：用于数据处理和分析的强大库

• Scikit-learn：提供数据预处理和机器学习的工具

1. 加载数据集

使用Pandas的read_csv()函数加载鸢尾花数据集：

column_names = ['id', 'sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
iris_data = pd.read_csv('data/Iris.csv', names= column_names, header=0)
iris_data.head()

输出：

id	sepal_length	sepal_width	petal_length	petal_width	species
1	5.1	3.5	1.4	0.2	Iris-setosa
2	4.9	3.0	1.4	0.2	Iris-setosa
3	4.7	3.2	1.3	0.2	Iris-setosa
4	4.6	3.1	1.5	0.2	Iris-setosa
5	5.0	3.6	1.4	0.2	Iris-setosa

参数header=0表示CSV文件的第一行包含列名（标题）。

2. 探索数据集

为了深入了解数据集的基本信息，本文将使用pandas的内置函数打印一些基本信息：

print(iris_data.info())
print(iris_data.describe())

输出：

RangeIndex: 150 entries, 0 to 149
Data columns (total 6 columns):
 #   列名           非空计数         类型  
---  ------        --------------  -----  
 0   id            150 non-null    int64  
 1   sepal_length  150 non-null    float64
 2   sepal_width   150 non-null    float64
 3   petal_length  150 non-null    float64
 4   petal_width   150 non-null    float64
 5   species       150 non-null    object 
dtypes: float64(4), int64(1), object(1)
memory usage: 7.2+ KB
None

iris_data.describe()的输出结果

info()函数有助于了解数据帧的整体结构、每列中非空值的数量以及内存使用情况，而汇总统计信息则提供了数据集中数值特征的概览。

3. 检查类别分布

这是了解分类列中类别分布情况的重要步骤，对于分类任务来说非常重要，可以使用Pandas中的value_counts()函数来执行此步骤。

print(iris_data['species'].value_counts())

输出：

Iris-setosa        50
Iris-versicolor    50
Iris-virginica     50
Name: species, dtype: int64

输出的结果显示，数据集是平衡的，每个品种的代表数量相等，这为所有3个类别进行公平评估和比较奠定了基础。

4. 删除缺失值

由于从info()方法明显可见本文的数据中有5列没有缺失值，因此本文将跳过此步骤。但如果遇到任何缺失值，可以使用以下命令处理它们：

iris_data.dropna(inplace=True)

5. 删除重复值

重复值可能会扭曲我们的分析结果，因此本文会从数据集中删除它们。首先使用下面的命令检查是否存在重复值：

duplicate_rows = iris_data.duplicated()
print("Number of duplicate rows:", duplicate_rows.sum())

输出：

Number of duplicate rows: 0

本文的数据集中没有重复值。不过，如果有重复值，可以使用drop_duplicates()函数将其删除：

iris_data.drop_duplicates(inplace=True)

6. 独热编码

对于分类分析，本文将对品种列进行独热编码。由于机器学习算法更适合处理数值数据，所以本文进行独热编码这一步骤。独热编码过程将分类变量转换为二进制（0或1）格式。

encoded_species = pd.get_dummies(iris_data['species'], prefix='species', drop_first=False).astype('int')
iris_data = pd.concat([iris_data, encoded_species], axis=1)
iris_data.drop(columns=['species'], inplace=True)

7. 浮点数列的归一化

归一化是将数值特征缩放为均值为0、标准差为1的过程，这一过程旨在确保各特征对分析的贡献相等。本文将对浮点数列进行归一化，以便进行一致的缩放。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
cols_to_normalize = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
scaled_data = scaler.fit(iris_data[cols_to_normalize])
iris_data[cols_to_normalize] = scaler.transform(iris_data[cols_to_normalize])

归一化后的iris_data.describe()输出结果

8. 保存清洗后的数据集

将清洗后的数据集保存到新的CSV文件中。

iris_data.to_csv('cleaned_iris.csv', index=False)

如果完成上述步骤，你已成功使用Pandas清洗了第一个数据集。在处理复杂数据集时，可能会遇到其他挑战，然而本文介绍的基本技术将帮助你入门，并为开始数据分析做好准备。