数据可能存在的问题
在实际业务处理中,数据通常是脏数据。所谓的脏,指数据可能存在以下几种问题(主要问题):
- 数据缺失 (Incomplete) 是属性值为空的情况。如 Occupancy = “ ”
- 数据噪声 (Noisy)是数据值不合常理的情况。如 Salary = “-100”
- 数据不一致 (Inconsistent)是数据前后存在矛盾的情况。如 Age = “42” vs. Birthday = “01/09/1985”
- 数据冗余 (Redundant)是数据量或者属性数目超出数据分析需要的情况。
- 数据集不均衡 (Imbalance)是各个类别的数据量相差悬殊的情况。
- 离群点/异常值 (Outliers)是远离数据集中其余部分的数据。
- 数据重复(Duplicate)是在数据集中出现多次的数据。
数据预览
import pandas as pd
import numpy as np
data=pd.read_csv('path',sep=',' ,header = 0,encoding='gbk',usecols=['col1','col2','col3'])#导入数据,把path改成文件路径;数据中有中文的话,就用encoding='gbk',没有中文的话就用encoding='utf-8';usecols是可以让我们选择哪几列
data.head()#查看前五行
data.i