实现功能:
python实现数据清洗,对重复记录、缺失值、异常值进行检测,并对其进行处理。
实现代码:
# 导入需要的库 import numpy as np import pandas as pd def Read_data(file): dt = pd.read_csv(file) dt.columns = ['age', 'sex', 'chest_pain_type', 'resting_blood_pressure', 'cholesterol', 'fasting_blood_sugar', 'rest_ecg', 'max_heart_rate_achieved','exercise_induced_angina', 'st_depression', 'st_slope', 'num_major_vessels', 'thalassemia', 'target'] data =dt pd.set_option('display.max_rows', None) pd.set_option('display.max_columns', None) pd.set_option('display.width', None) pd.set_option('display.unicode.ambiguous_as_wide', True) pd.set_option('display.unicode.east_asian_width', True) print(data.head()) return data def data_clean(data): # 数据清洗 # 重复值处理 print('存在' if any(data.duplicated()) else '不存在', '重复观测值') data.drop_duplicates() # 缺失值处理 print(data.isnull()) print(data.isnull().sum()) #检测每列中缺失值的数量 print(data.isnull().T.sum()) #检测每行缺失值的数量 print('不存在' if any(data.isnull()) else '存在', '缺失值') data.dropna() # 直接删除记录 data.fillna(method='ffill') # 前向填充 data.fillna(method='bfill') # 后向填充 data.fillna(value=2) # 值填充 data.fillna(value={'resting_blood_pressure': data['resting_blood_pressure'].mean()}) # 统计值填充 # 异常值处理 data1 = data['resting_blood_pressure'] # 标准差监测 xmean = data1.mean() xstd = data1.std() print('存在' if any(data1 > xmean + 2 * xstd) else '不存在', '上限异常值') print('存在' if any(data1 < xmean - 2 * xstd) else '不存在', '下限异常值') # 箱线图监测 q1 = data1.quantile(0.25) q3 = data1.quantile(0.75) up = q3 + 1.5 * (q3 - q1) dw = q1 - 1.5 * (q3 - q1) print('存在' if any(data1 > up) else '不存在', '上限异常值') print('存在' if any(data1 < dw) else '不存在', '下限异常值') data1[data1 > up] = data1[data1 < up].max() data1[data1 < dw] = data1[data1 > dw].min() # print(data1) if __name__=="__main__": data1=Read_data("F:\数据杂坛\\0504\heartdisease\Heart-Disease-Data-Set-main\\UCI Heart Disease Dataset.csv") data_clean(data1)
实现效果:
喜欢记得点赞,在看,收藏,
关注V订阅号:数据杂坛,获取完整代码和效果,将持续更新!