在我们拿到数据进行数据分析之前,我们都应该对数据进行数据清洗,以确保使用质量最好的数据进行建模。
不管你承认与否,数据清理都不是一项简单的任务,而且大部分情况都很耗时和乏味,但这个过程太重要了,不容忽视。下面直入正题,介绍简单有用的数据清洗代码。
1. 删除多余的列def drop_multiple_col(col_names_list, df):
```
目标 -> 根据列名删除多余的列
INPUT -> 列名的list, df
OUTPUT -> 丢掉列的df
------
```
df.drop(col_names_list, axis=1, inplace=True)
return df
2. 改变数据类型
当数据集过大的时候,我们需要转换数据类型来节省内存。def change_dtypes(col_int, col_float, df):
```
AIM -> 改变数据类型来节省内存
INPUT -> 需要转换为(int, float)的列的列名, df
OUTPUT -> 占用更小内存的df
------
```
df[col_int] = df[col_int].astype('int32')
df[col_float] = df[col_float].astype('float32')
3. 将类别变量(categorical variable)转换为数值变量(numerical variable)def convert_cat2num(df):
# 将类别变量转换为数值变量
num_encode = {'col_1' : {'YES':1, 'NO':0},
'col_2' : {'WON':1, 'LOSE':0, 'DRAW':0}}
df.replace(num_encode, inplace=True)
将数据喂给模型时,应该把数据中存在的类别变量转换为数值变量。但在数据可视化时,最好应保留类别变量的格式以便于分析。
4. 检测缺失数据
def check_missing_data(df):
# 返回df中每列的缺失数据个数 (降序显示)
return df.isnull().sum().sort_values(ascending=False)
5. 删除列中字符串里的字符或部分字符串def remove_col_str(df):
# 删掉df的col_1列的所有回车
df['col_1'].replace('\n', '', regex=True, inplace=True)
# 删掉col_1列的所有‘’后(包括‘’)的字符
df['col_1'].replace(' .*', '', regex=True, inplace=True)
6. 删除列中字符串里的空格
def remove_col_white_space(df):
#删除列中字符串里的空格
df[col]=df[col].str.lstrip()
7. 按某种条件合并两列内容是字符串的列
def concat_col_str_condition(df):
# 第一列的字符串结尾是 'pil'的行和第二列对应的行合并
mask = df['col_1'].str.endswith('pil', na=False)
col_new = df[mask]['col_1'] + df[mask]['col_2']
col_new.replace('pil', ' ', regex=True, inplace=True) # replace the 'pil' with emtpy space
8. 转换时间戳(string->datetime)
def convert_str_datetime(df):
```
目标 -> 将datetime(String)转换为datetime(我们想要的形式)
INPUT -> df
OUTPUT -> 具有新的datetime形式的df
```
df.insert(loc=2, column='timestamp', value=pd.to_datetime(df.transdate, format='%Y-%m-%d %H:%M:%S.%f'))