Pandas数据预处理|数据清理

Pandas数据预处理(Data Preprocess)—数据清理

日期：2021/4/27

作者：就叫易易好了

注：本篇文章采用的数据集为“vgsales.csv”,下载链接：https://pan.baidu.com/s/11sfiIqvg8ous655-ZFGW2w 提取码：u22s

在对一个数据集进行挖掘之前，一定要先对这个数据集进行数据预处理。因为数据库一般比较庞大，会有一些缺失值，噪点值等等。我们要将这些低质量的值进行清理，从而提高数据挖掘的质量。

​ 数据质量的三要素是：准确性，完整性，一致性，而不准确，不完整，不一致的数据集是现实大型数据库的一个普遍的特点。

​ 导致这些现象产生的原因可能是：

• 收集数据的设备可能出现故障
• 人或计算机的错误导致
• 用户不希望提交个人信息，故意输入不正确的数据，这成为被掩盖的缺失数据

数据预处理的主要任务

• 数据清理(data cleaning)：通过填写缺失的值，光滑噪声数据，识别或删除离群点

• 数据集成(data integration)：分析使用来自多个数据源的数据，这要集成多个数据库，数据立方体或文件，即数据集成

• 数据归约(data reduction)：得到的数据集简化表示，它小得多，但能够产生同样的分析结果

  • 维归约：使用数据编码方案，以便得到原始数据的简化或“压缩”表示。
  • 数值归约：使用参数模型或非参数模型，用较小的表示取代数据。

• 数据变换(data transformation)：离散化与概念分层产生是强有力的工具，因为它们是的数据的挖掘可以在多个抽象层上进行。规范化，数据离散化和概念分层产生都是某种形式的数据变换。

数据清理

一、缺失值

​ 在数据仓库中，会注意到很多元组的一些属性没有记录值，我们可以用以下方法来解决这个问题：

• 忽略元组：直接将缺少数据的整个元组忽略掉，但是该元组可能有其他的数据对结果很有影响，所以这种方法并不是很有效
• 人工填写缺失值：直接填写确实的值，但是如果这个数据库很庞大的话，这种方法挺废人
• 使用一个全局变量填充缺失值：将缺失值的属性用一个常量（例如“unknown”）表示，但挖掘程序可能误以为是形成了一个有趣的概念，因为他们都有相同的值“unknown”，因此，这个方法不可靠
• 使用属性的中心度量（例如中位数，均值）填充缺失值：对于对称的数据分布可以使用均值，对于倾斜式的数据分布可以使用中位数
• 使用与给定元组属同一类的所有样本的属性均值或者中位数：例如基金数据库，可以根据相同信用风险的顾客的平均收入来代替确实的收入值
• 使用最可能的值填充缺失值：可以使用回归，贝叶斯形式化方法的基于推理的工具或决策树归纳确定

1、检查

DataFrame.isnull(