Data Analysis Pipeline using Pandas DataFrame (使用Pandas DataFrame进行数据分析流程)

2_thousand

已于 2022-07-25 15:07:50 修改

阅读量343

点赞数

文章标签： pandas 数据分析 python 机器学习

于 2022-07-25 11:54:37 首次发布

本文链接：https://blog.csdn.net/weixin_43910935/article/details/125972094

版权

1. Duplicates (重复值)

1.1 Check Duplicates (检查重复值)

import pandas as pd

data = {'水果':['苹果','梨','草莓','草莓'],
       '数量':[3,2,5,5],
       '价格':[10,9,8,10]}
df = pd.DataFrame(data)
df

在这里插入图片描述
筛选出水果和价格两列有重复的数据：

df[df.duplicated(subset=['水果', '数量'])]

在这里插入图片描述
统计重复数据的个数：

df.duplicated(subset=['水果', '数量']).sum()

output: 1

1.2 Deduplicate (删除重复值)

deduplicated_df = df.drop_duplicates(subset=['水果', '数量'], keep='first')  # 'first'保留重复数据的第一个样本
deduplicated_df

在这里插入图片描述

2. Overlap (重叠数据)

重叠数据是指在两个dataframe中同时出现的数据。比如，在准备机器学习数据集时，我们通常需要判断训练集、验证集和测试集之间没有太多重叠数据。

2.1 Check Overlap (检查两个dataframe是否含有重叠数据)

通过计算两个dataframe之间的交集实现：

#Create a DataFrame
df1 = {
    'Subject':['semester1','semester2','semester3','semester4','semester1',
               'semester2','semester3'],
    'Score':[62,47,55,74,31,77,85]}
df2 = {
    'Subject':['semester1','semester2','semester3','semester4'],
    'Score':[90,47,85,74]}

df1 = pd.DataFrame(df1,columns=['Subject','Score'])
df2 = pd.DataFrame(df2,columns=['Subject','Score'])

df1:
在这里插入图片描述
df2：

# 两个dataframe的交集
intersected_df = pd.merge(df1, df2, how='inner')
intersected_df

在这里插入图片描述

2.2 Drop Overlap (删除存在于另一个dataframe的数据)

删除重叠部分的数据，e.g.删除df1中的重叠数据，只需进行减法运算：df1-intersected_df

drop_overlap_df = pd.concat([df1, intersected_df, intersected_df]).drop_duplicates(keep=False)
drop_overlap_df

在这里插入图片描述

References:

[1] pandas中DataFrame如何检测重复值
[2] Pandas中两个dataframe的交集和差集