制作数据集数据过滤和数据缺失策略-pandas-sklearn

1、 使用csv文件过滤存储

使用工具将数据集过滤分类，将csv文件另存为小文件，使用代码将文件过滤分析，示例：存储文件11.csv后，过滤column类型为heart的列取值heart
数据示例：

id	code	type	value	createtime
3181349	XBDGW3C61055B14FC	roll	0	1/4/2022 09:41:19
3181376	XBDGW3C61055B14FC	heart	53	1/4/2022 09:42:04
3191335	XBDGW3C61055B14FD	roll	0	1/4/2022 16:44:34
3191336	XBDGW3C61055B14AC	heart		1/4/2022 16:44:34

import numpy as np
import sklearn.cluster as sc
import matplotlib.pyplot as plt
import pandas as pd
df=pd.read_csv("11.csv")
df.query("(type=='heart')");
test = df.loc[0:40]
test.plot(kind='scatter', x="createtime", y='value')
plt.show()

数据有缺失，下面3中会使用Imputer用中位数代替

2、增加column

缺少数据column

import pandas as pd
import numpy as np
df=pd.DataFrame([["3181349","XBDGW3C61055B14FC"  , "roll", 0,"1/4/2022 09:41:19" ],
["3181350", "XBDGW3C61055B14FC", "heart", 67, np.nan],
["3181351","XBDGW3C61055B14FD" , "heart", 68, "1/4/2022 09:42:04"]])

df.columns=["id", "code", "type", "value", "createtime"]
print(df)

3、 创建Imputer器

from sklearn.preprocessing import Imputer
imp =Imputer(missing_values="NaN", strategy="mean",axis=0 )
#使用fit_transform()函数即可完成缺失值填充了
df["value"]=imp.fit_transform(df[["value"]])

处理多列

df[['value', '其他列']] = imp.fit_transform(df[['value', '其他列']])
print(df)

4、dropna(),drop,fillna()

#删除value中的无值
data.dropna(subset=["value"])
#删除无效的code列
data.drop("code", axis=1)
#使用中位数代替
median = data["value"].median()
data["value"].fillna(median)