数据预处理:
数据的预处理是在对数据分类和分组之前所做的必要处理,内容包括数据的审核、筛选、排序等。当使用爬虫从网上获取数据时,获得的数据往往存在缺失、异常、格式不正确等情况。面对这些状况百出的原始数据,数据的预处理就显得尤为重要,数据分析师们往往也会在数据预处理上花费许多时间。
-
数据审核
-
数据筛选
-
数据排序
数据审核:
数据审核就是检查数据中是否有错误。对于原始数据,主要从完整性(是否存在NA)和准确性(是否存在异常)两个方面去审核。
补充:一些二手数据应着重审核数据的适用性和时效性。数据不能生搬硬套,对于时效性较强的问题,如果所取得的数据过于滞后,就可能失去研究意义。
利用Python进行数据审核:
- 检测缺失数据
In [4]: string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
In [5]: string_data # 第3条观测存在NAN值
Out[5]:
0 aardvark
1 artichoke
2