流程
确定数据分析目的-获取数据-清洗数据-探索数据-建模分析-结果交流
探索数据:对整个数据集有全面的认识,一边后续开展工作
建模分析:常常用到机器学习、深度学习算法
结果:使用报告、图表展示数据,将成果与他人分享
脏数据:重复、残缺、错误数据、不符合规则的数据(噪声数据)
分为数据的读写、数据的探索与描述、数据简单处理、重复值处理、缺失值处理、异常值处理、文本字符串的处理、时间格式序列的处理。除了前三个以外顺序可以调整。
数据读写
pd.read_csv()
pd.read_excel()
数据的探索与描述
df.info()
df.head()
df.shape
df.describe() #只显示数值型数据的描述统计
数据简单处理
- 去除数据间的空格
- 列表推导式
df.columns = [x.strip() for x in df.columns.str] - df.columns = df.columns.str.strip()
- 列表推导式
英文字母大小写转换
重复值处理
duplicated() #分为两种,一种是前面的是True,一种是后为True
drop_duplicates() #不在原数据集上改变,需要加inplace参数
去除掉重复行后,要进行索引重置
- df.index = range(df.shape[0])