使用python进行数据清洗常用的库_python3常用的数据清洗方法(小结)

首先载入各种包：

import pandas as pd

import numpy as np

from collections import Counter

from sklearn import preprocessing

from matplotlib import pyplot as plt

%matplotlib inline

import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字体设置-黑体

plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

sns.set(font='SimHei') # 解决Seaborn中文显示问题

读入数据：这里数据是编造的

data=pd.read_excel('dummy.xlsx')

本案例的真实数据是这样的：

对数据进行多方位的查看：

实际情况中可能会有很多行，一般用head()看数据基本情况

data.head() #查看长啥样

data.shape #查看数据的行列大小

data.describe()

#列级别的判断,但凡某一列有null值或空的，则为真

data.isnull().any()

#将列中为空或者null的个数统计出来，并将缺失值最多的排前

total = data.isnull().sum().sort_values(ascending=False)

print(total)

#输出百分比：

percent =(data.isnull().sum()/data.isnull().count()).sort_values(ascending=False)

missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])

missing_data.head(20)

也可以从视觉上直观查看缺失值：

import missingno

missingno.matrix(data)

data=data.dropna(thresh=data.shape[0]*0.5,axis=1) #至少有一半以上是非空的列筛选出来

#如果某一行全部都是na才删除：

data.dropna(axis=0,how='all')

#默认情况下是只保留没有空值的行

data=data.dropna(axis=0)

#统计重复记录数

data.duplicated().sum()

data.drop_duplicates()

对连续型数据和离散型数据分开处理：

data.columns

#第一步，将整个data的连续型字段和离散型字段进行归类

id_col=['姓名']

cat_col=['学历','学校'] #这里是离散型无序，如果有序，请参考map用法，一些博客上有写

cont_col=['成绩','能力'] #这里是数值型

print (data[cat_col]) #这里是离散型的数据部分

print (data[cont_col])#这里是连续性数据部分

对于离散型部分：

#计算出现的频次

for i in cat_col:

print (pd.Series(data[i]).value_counts())

plt.plot(data[i])

#对于离散型数据，对其获取哑变量

dummies=pd.get_dummies(data[cat_col])

dummies

对于连续型部分：

#对于连续型数据的大概统计：

data[cont_col].describe()

#对于连续型数据，看偏度，一般大于0.75的数值做一个log转化，使之尽量符合正态分布，因为很多模型的假设数据是服从正态分布的

skewed_feats = data[cont_col].apply(lambda x: (x.dropna()).skew() )#compute skewness

skewed_feats = skewed_feats[skewed_feats > 0.75]

skewed_feats = skewed_feats.index

data[skewed_feats] = np.log1p(data[skewed_feats])

skewed_feats

#对于连续型数据，对其进行标准化

scaled=preprocessing.scale(data[cont_col])

scaled=pd.DataFrame(scaled,columns=cont_col)

scaled

m=dummies.join(scaled)

data_cleaned=data[id_col].join(m)

data_cleaned

看变量之间的相关性：

data_cleaned.corr()

#以下是相关性的热力图，方便肉眼看

def corr_heat(df):

dfData = abs(df.corr())

plt.subplots(figsize=(9, 9)) # 设置画面大小

sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Blues")

# plt.savefig('./BluesStateRelation.png')

plt.show()

corr_heat(data_cleaned)

如果有觉得相关性偏高的视情况删减某些变量。

#取出与某个变量（这里指能力）相关性最大的前四个，做出热点图表示

k = 4 #number of variables for heatmap

cols = corrmat.nlargest(k, '能力')['能力'].index

cm = np.corrcoef(data_cleaned[cols].values.T)

sns.set(font_scale=1.25)

hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt='.2f', annot_kws={'size': 10}, yticklabels=cols.values, xticklabels=cols.values)

plt.show()

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: python3常用的数据清洗方法(小结)

本文地址: http://www.cppcns.com/jiaoben/python/283447.html