数据挖掘——数据的清洗与预处理

数据清洗

• 发现重复与冗余
  设数据集如下：
  {state’:[‘a’,‘b’,‘c’,‘a’,‘b’,‘c’],‘year’:[2018,2016,2017,2018,2016,2017],‘average’:[87,85,88,87,85,88]}
  1、统计所有数据全部重复的有多少？
  2、显示重复的数据是哪几个？
  3、把重复的删除，但是不要删除原始数据

  #输入数据
  data=pd.DataFrame({'state':['a','b','c','a','b','c'],'year':[2018,2016,2017,2018,2016,2017],
                     'average':[87,85,88,87,85,88]})
  # print(data)
  #得到重复数据b
  b=data.groupby(['state','year','average']).count()>1
  #去重后得到a
  a=data.drop_duplicates(subset=['state','year','average'],keep='first')
  print("所有数据全部重复的有",data.__len__()-a.__len__(),"个")
  print("显示重复的数据",b)
  print("删除重复后的数据:\n",a)
  

  

• 处理缺失值
  设数据集如下： {‘state’:[‘a’,‘b’,‘c’,np.nan,‘b’,‘c’],‘year’:[2018,2016,np.nan,2018,2016,2017],‘average’:[87,85,88,np.nan,85,88]}
  1、统计行数及每列非空取值个数
  2、统计每列缺失值的个数
  3、把缺失值都填充为0
  4、对于不同的列，动态指定不同列的填充值，第一列指定众数填充，第二列使用众数，第三列使用均值
  5、运用自定义函数来填充, 假设自定义函数就是取众数的第一个值

  data=pd.DataFrame({'state':['a','b','c',np.nan,'b','c'],'year':[2018,2016,np.nan,2018,2016,2017],
                     'average':[87,85,88,np.nan,85,88]})
  print("行数为",data.__len__())
  print("每列非空取值个数:\n",data.notnull().sum(axis=0))
  print("每列缺失值个数:\n",data.isnull().sum(axis=0))
  print("把缺失值都填充为0后：\n",data.fillna(0))
  print("****************")
  #动态指定不同列的填充值，第一列指定众数填充，第二列使用众数，第三列使用均值
  #
  data['state'].fillna(data['state'].mode()[0],inplace=True)
  data['year'].fillna(data['year'].mode()[0],inplace=True)
  data['average'].fillna(value=data['average'].mean(),inplace=True )
  print("第一列指定众数填充，第二列使用众数，第三列使用均值填充空值后：\n",data)
  
  #定义函数取众数的第一个值
  def FirstMode(data):
      return list(data.mode())[0]
  # print(FirstMode(data['state']))
  data['state'].fillna(value=FirstMode(data['state']),inplace=True)
  data['year'].fillna(value=FirstMode(data['year']),inplace=True)
  data['average'].fillna(value=data['average'].mean(),inplace=True )
  print("&&&&")
  print("动态填充后：\n",data)
  

  

数据预处理

• 数据集成
  设数据集如下:
  dat1 = DataFrame({‘key’:[‘a’,‘b’,‘c’],
  ‘value1’:[1,2,3],
  ‘year’:[1998,1999,2001]})
  dat2 = DataFrame({'address:[‘Hangzhou’,‘Guangzhou’,‘Nanjing’],
  ‘type’:[‘l1’,’l2’,’l3’]})
  dat3= DataFrame({‘key’:[‘a’,‘b’,‘c’],
  ‘value1’:[1，2,3],
  ‘year’:[1998,1999,2001]})
  dat4 = DataFrame({‘key’:[‘d’,‘e’],
  ‘value1’:[43,32],
  ‘year’:[1989,1990]})
  1、将dat1与dat2列方向合并(列数增加方向)，并输出
  2、将dat3与dat4行方向合并（行数增加方向），并输出。

  #数据集成
  dat1=pd.DataFrame({'key':['a','b','c'],'value':[1,2,3],'year':[1998,1999,2001]})
  dat2=pd.DataFrame({'address':['zhengzhou','guangzhou','nanjing'],"type":['11','12','13']})
  dat3=pd.DataFrame({'key':['a','b','c'],'value':[1,2,3],'year':[1998,1999,2001]})
  dat4=pd.DataFrame({'key':['d','e'],'value':[43,32],'year':[1989,1990]})
  print("列合并：\n",pd.concat([dat1,dat2]))
  print("行合并：\n",pd.concat([dat3,dat4],axis=0))
  

  

• 数据变换
  设数据集如下：
  {‘student’:[‘张山’,’李尔’,’王五’,’赵明’,’王迪’,’肖晓’],
  ‘optional’:[3,4,2,5,3,4],
  ‘required’:[90,83,67,87,81,91],
  ‘ideology’:[‘优’,’良’,’良’,’优’,’及格’,’优’]}
  1、将optional和required列进行归一化
  2、将optional和required列进行标准化
  3、试求各位同学的总评成绩。

  #数据变换
  #数据输入
  data=pd.DataFrame({'student':['张三','李尔','王五','赵明','王迪','肖晓'],'option':[3,4,2,5,3,4],
                      'required':[90,83,67,87,81,91],'ideology':['优','良','良','优','及格','优']})
  # print("原始数据：\n",data)
  # print("************")
  #归一化
  data2=data
  data2['option']=(data2['option']-min(data2['option']))/(max(data2['option']-min(data2['option'])))
  data2['required']=(data2['required']-min(data2['required']))/(max(data2['required']-min(data2['required'])))
  # print("将optional和required列进行归一化后：\n",data2)
  # print("**************")
  
  
  
  #标准化
  data3=pd.DataFrame({'student':['张三','李尔','王五','赵明','王迪','肖晓'],'option':[3,4,2,5,3,4],
                      'required':[90,83,67,87,81,91], 'ideology':['优','良','良','优','及格','优']})
  data3['option']=(data3['option']-np.mean(data3['option']))/(data3['option']).std()
  data3['required']=(data3['required']-np.mean(data3['required']))/(data3['required']).std()
  # print("将optional和required列进行标准化后：\n",data3)
  
  #求总评
  #把优秀设置为95，良好设置为80，及格设置为60
  #方法一：归一化求总评
  data4=data2
  data4['ideology'].loc[data2['ideology']=='优']=95
  data4['ideology'].loc[data2['ideology']=='良']=80
  data4['ideology'].loc[data2['ideology']=='及格']=60
  
  #将ideology数据归一化
  data4['ideology']=(data4['ideology']-min(data4['ideology']))/(max(data4['ideology']-min(data4['ideology'])))
  #去除姓名栏
  data44=list(data4)
  data44.remove('student')
  #添加新列
  data4['总评']=data4[data44].apply(lambda x:x.sum(),axis=1)
  print("根据归一化求总评：\n",data4)
  
  #方法二：标准化求总评
  data5=data3
  data5['ideology'].loc[data3['ideology']=='优']=95
  data5['ideology'].loc[data3['ideology']=='良']=80
  data5['ideology'].loc[data3['ideology']=='及格']=60
  #将ideology数据标准化
  data5['ideology']=(data5['ideology']-np.mean(data5['ideology']))/(data5['ideology']).std()
  #去除姓名栏
  data55=list(data5)
  data55.remove('student')
  #添加新列
  data5['总评']=data5[data55].apply(lambda x:x.sum(),axis=1)
  print("根据标准化求总评：\n",data5)
  

  

实验总结

学习了数据分析包pandas，利用pandas包中的数据结构DataFrame以及该结构中的方法对数据进行分析。