数据预处理(三)——数据集成

主要内容：
数据预处理的必要性
数据清洗
数据集成
数据标准化
数据规约
数据变换与离散化
利用sklearn进行数据预处理
小结

三、数据集成

数据集成是将多个数据源中的数据合并，存放于一个一致的数据存储中。
1.数据集成过程中的关键问题

1.实体识别
2.数据冗余和相关分析
3.元组重复
4.数据值冲突检测与处理
5.数据异常值检测

1. 实体识别
   实体识别问题是数据集成中的首要问题，因为来自多个信息源的现实世界的等价实体才能匹配。如数据集成中如何判断一个数据库中的customer_id和另一数据库中的cust_no是指相同的属性？
2. 数据冗余和相关分析
   冗余是数据集成的另一重要问题。如果一个属性能由另一个或另一组属性值“推导”出，则这个属性可能是冗余的。属性命名不一致也会导致结果数据集中的冗余。

有些冗余可以被相关分析检测到，对于标称属性，使用卡方检验,对于数值属性，可以使用相关系数（correlation coefficient）和 协方差( covariance）评估属性间的相关性。

（1）标称数据的卡方相关检验

（2）数值数据的相关系数

（3）数值数据的协方差

import pandas as pd
import numpy as np
a=[47, 83, 81, 18, 72, 41, 50, 66, 47, 20, 96, 21, 16, 60, 37, 59, 22, 16, 32, 63]
b=[56, 96, 84, 21, 87, 67, 43, 64, 85, 67, 68, 64, 95, 58, 56, 75, 6, 11, 68, 63]
# 数组转置（T）
data = np.array([a,b]).T
dfab = pd.DataFrame(data,columns = ['A','B'])
# display(dfab)
print('属性A和B的协方差：',dfab.A.cov(dfab.B))
print('属性A和B的相关系数：',dfab.A.corr(dfab.B))

# 属性A和B的协方差： 310.2157894736842
# 属性A和B的相关系数： 0.49924871046524394

3. 元组重复
   除了检查属性的冗余之外，还要检测重复的元组，如给定唯一的数据实体，存在两个或多个相同的元组。
4. 数据值冲突检测与处理
   数据集成还涉及数据值冲突的检测与处理。例如不同学校的学生交换信息时，由于不同学校有各自的课程计划和评分方案，同一门课的成绩所采取的评分分数也有可能不同，如十分制或百分制。
   2.利用Pandas合并数据
   在实际的数据分析中，可能有不同的数据来源，因此，需要对数据进行合并处理。
   （1）merge数据合并

merge(left,right,how = 'inner',on = None,left_on = None,right_on = None,left_index = False,right_index = False,sort = False,suffixes = ('_x','_y'),copy = True,indicator = False,validate = None)

参数	说明
left	参与合并的左侧DataFrame
right	参与合并的右侧DataFrame
how	连接方法:inner,left,right,outer
on	用于连接的列名
left_on	左侧DataFrame中用于连接键的列
right_on	右侧DataFrame中用于连接键的列
left_index	左侧DataFrame中行索引作为连接键
right_index	右侧DataFrame中行索引作为连接键
sort	合并后会对数据排序，默认为True
suffixes	修改重复名

merge的默认合并数据。

price = pd.DataFrame({'fruit':['apple','grape','orange','orange'],'price':[8,7,9,11]})
amount = pd.DataFrame({'fruit':['apple','grape','orange'],'amount':[5,11,8]})
display(price,amount,pd.merge(price,amount))

# 	fruit	price
# 0	apple	8
# 1	grape	7
# 2	orange	9
# 3	orange	11

# 		fruit	amount
# 0		apple	5
# 1		grape	11
# 2		orange	8

# 		fruit	price	amount
# 0		apple	8		5
# 1		grape	7		11
# 2		orange	9		8
# 3		orange	11		8

指定合并时的列名。

display(pd.merge(price,amount,left_on = 'fruit',right_on = 'fruit'))

# 		fruit	price	amount
# 0		apple	8		5
# 1		grape	7		11
# 2		orange	9		8
# 3		orange	11		8

左连接。

display(pd.merge(price,amount,how = 'left'))

# 		fruit	price	amount
# 0		apple	8		5
# 1		grape	7		11
# 2		orange	9		8
# 3		orange	11		8

右连接。

display(pd.merge(price,amount,how = 'right'))\

# 		fruit	price	amount
# 0		apple	8		5
# 1		grape	7		11
# 2		orange	9		8
# 3		orange	11		8

merge通过多个键合并。

left = pd.DataFrame({'key1':['one','one','two'],'key2':['a','b','a'],'value1':range(3)})
right = pd.DataFrame({'key1':['one','one','two','two'],'key2':['a','a','a','b'],'value2':range(4)})
display(left,right,pd.merge(left,right,on = ['key1','key2'],how = 'left'))

# 		key1	key2	value1
# 0 	one		a		0
# 1 	one		b		1
# 2 	two		a		2

#		key1	key2	value2
# 0		one		a		0
# 1		one		a		1
# 2		two		a		2
# 3		two		b		3

# 		key1	key2	value1	value2
# 0		one		a		0		0.0
# 1		one		a		0		1.0
# 2		one		b		1		NaN
# 3		two		a		2		2.0

merge函数中参数suffixes的应用。

print(pd.merge(left,right,on = 'key1'))
print(pd.merge(left,right,on = 'key1',suffixes = ('_left','_right')))
key1 key2_x  value1 key2_y  value2

# 0  one      a       0      a       0
# 1  one      a       0      a       1
# 2  one      b       1      a       0
# 3  one      b       1      a       1
# 4  two      a       2      a       2
# 5  two      a       2      b       3
#   key1 key2_left  value1 key2_right  value2
# 0  one         a       0          a       0
# 1  one         a       0          a       1
# 2  one         b       1          a       0
# 3  one         b       1          a       1
# 4  two         a       2          a       2
# 5  two         a       2          b       3

（2）concat数据连接
两个Series的数据连接。

s1 = pd.Series([0,1],index = ['a','b'])
s2 = pd.Series([2,3,4],index = ['a','d','e'])
s3 = pd.Series([5,6],index = ['f','g'])
print(pd.concat([s1,s2,s3]))

# a    0
# b    1
# a    2
# d    3
# e    4
# f    5
# g    6
# dtype: int64

两个DataFrame的数据连接。

data1 = pd.DataFrame(np.arange(6).reshape(2,3),columns = list('abc'))
data2 = pd.DataFrame(np.arange(20,26).reshape(2,3),columns = list('ayz'))
data = pd.concat([data1,data2],axis = 0)
display(data1,data2,data)

# 	 a	b	c
# 0	 0	1	2
# 1	 3	4	5

# 	 a	y	z
# 0	 20	21	22
# 1	 23	24	25

# 	 a	b	c	y	 z
# 0	 0	1.0	2.0	NaN	 NaN
# 1	 3	4.0	5.0	NaN	 NaN
# 0	 20	NaN	NaN	21.0 22.0
# 1	 23	NaN	NaN	24.0 25.0

指定索引顺序。

import pandas as pd
s1 = pd.Series([0,1],index = ['a','b'])
s2 = pd.Series([2,3,4],index = ['a','d','e'])
s3 = pd.Series([5,6],index = ['f','g'])
s4 = pd.concat([s1*5,s3],sort = False)
s5 = pd.concat([s1,s4],axis=1,sort=False)
s6 = pd.concat([s1,s4],axis=1,join='inner',sort=False)
s7 = pd.concat([s1,s4],axis=1,join='inner',join_axes=[['b','a']],sort=False)
display(s6,s7)

# 	0	1
# a	0	0
# b	1	5

# 	0	1
# b	1	5
# a	0	0

（3） combine_first合并数据
使用combine_first合并。（需要合并的两个DataFrame存在重复索引）

s6.combine_first(s5)

#		0	  1
#	a	0.0	  0.0
#	b	1.0	  5.0
#	f	NaN	  5.0
#	g	NaN	  6.0