
作者:俊欣
來源:關(guān)于數(shù)據(jù)分析與可視化
今天來分享一個高效率的數(shù)據(jù)清洗的方法,畢竟我們平常在工作和生活當(dāng)中經(jīng)常會遇到需要去處理雜七雜八的數(shù)據(jù)集,有一些數(shù)據(jù)集中有缺失值、有些數(shù)據(jù)集中有極值、重復(fù)值等等。這次用到的數(shù)據(jù)集樣本在文末有獲取的辦法。
我們首先導(dǎo)入所需要用到的庫,并且讀取數(shù)據(jù)
import pandas as pd import numpy as np
df = pd.read_csv("DirectMarketing.csv")
我們先來大致地看一下數(shù)據(jù)集中各個特征值的情況,通過info()這個方法
df.info()
我們看到上面的“History”這一列,只有697條數(shù)據(jù)不是空值,那就意味著還有另外3條數(shù)據(jù)是空值,與之對應(yīng)的方式有將含有缺失值的數(shù)據(jù)刪掉,或者將缺失值的部分替換為是中位數(shù)或者是平均數(shù),
# 將缺失值給移除掉 df.dropna(axis = 0, inplace = True)
要是數(shù)據(jù)集中存在大量的缺失值,只是簡簡單單地移除掉怕是會影響到數(shù)據(jù)的完整性,如果是數(shù)值類型的特征值,就用用平均值或者是中位數(shù)來替換,如果是離散類型的缺失值,就用眾數(shù)來替換
def fill_missing_values_num(df, col_name): val = df[col_name].median()
df[col_name].fillna(val, inplace = True) return df
def fill_missing_values_cate(df, col_name): val = df[col_name].value_counts().index.tolist()[0]
df[col_name].fillna(val, inplace = True) return df
而可能存在重復(fù)值的部分,pandas當(dāng)中有drop_ducplicates()方法來進(jìn)行處理
df.drop_duplicates(inplace = True)
最后我們封裝成一個函數(shù),對于缺失值的處理小編這里選擇用中位數(shù)填充的方式來處理
def fill_missing_values_and_drop_duplicates(df, col_name): val = df[col_name].value_counts().index.tolist()[0]
df[col_name].fillna(val, inplace = True) return df.drop_duplicates()
經(jīng)常使用pandas的人可能都有這種體驗,它經(jīng)常會將數(shù)據(jù)集中的變量類型直接變成object,這里我們可以直接使用“convert_dtypes”來進(jìn)行批量的轉(zhuǎn)換,它會自動推斷數(shù)據(jù)原來的類型,并實現(xiàn)轉(zhuǎn)換,并且打印出來里面各列的數(shù)據(jù)類型,封裝成一個函數(shù)
def convert_dtypes(df): print(df.dtypes) return df.convert_dtypes()
對于極值的檢測有多種方式,例如我們可以通過箱型圖的方式來查看
sample = [11, 500, 20, 24, 400, 25, 10, 21, 13, 8, 15, 10] plt.boxplot(sample, vert=False) plt.title("箱型圖來檢測異常值",fontproperties="SimHei") plt.xlabel('樣本數(shù)據(jù)',fontproperties="SimHei")
我們可以通過箱型圖來明顯的看出當(dāng)中有兩個異常值,也就是400和500這兩個,箱型圖由最大值、上四分位數(shù)(Q3)、中位數(shù)(Q2)、下四分位數(shù)和最小值五個統(tǒng)計量組成,其中Q1和Q3之間的間距稱為是四分位間距(interquartile range,IQR),而通常若是樣本中的數(shù)據(jù)大于Q3+1.5IQR和小于Q1-1.5IQR定義為異常值
當(dāng)然了除此之外,還可以通過z-score的方法來檢測,Z-score是以標(biāo)準(zhǔn)差為單位去度量某個數(shù)據(jù)偏離平均數(shù)的距離,計算公式為
我們用python來實現(xiàn)一下當(dāng)中的步驟
outliers = [] def detect_outliers_zscore(data, threshold): mean = np.mean(data) std = np.std(data) for i in data: z_score = (i-mean)/std if (np.abs(z_score) > threshold): outliers.append(i) return outliers# Driver code
而對待異常值的方式,首先最直接的就是將異常值給去掉,我們檢測到異常值所在的行數(shù),然后刪掉該行,當(dāng)然當(dāng)數(shù)據(jù)集當(dāng)中的異常值數(shù)量很多的時候,移除掉必然會影響數(shù)據(jù)集的完整性,從而影響建模最后的效果
def remove_outliers1(df, col_name): low = np.quantile(df[col_name], 0.05)
high = np.quantile(df[col_name], 0.95) return df[df[col_name].between(low, high, inclusive=True)]
其次我們可以將異常值替換成其他的值,例如上面箱型圖提到的上四分位數(shù)或者是下四分位數(shù)
def remove_outliers2(df, col_name): low_num = np.quantile(df[col_name], 0.05) high_num = np.quantile(df[col_name], 0.95) df.loc[df[col_name] > high_num, col_name] = high_num df.loc[df[col_name] < low_num , col_name] = low_num return df
因此回到上面用到的樣本數(shù)據(jù)集,我們將之前數(shù)據(jù)清洗的函數(shù)統(tǒng)統(tǒng)整合起來,用pipe()的方法來串聯(lián)起來,形成一個數(shù)據(jù)清洗的標(biāo)準(zhǔn)模板
def fill_missing_values_and_drop_duplicates(df, col_name): val = df[col_name].value_counts().index.tolist()[0]
df[col_name].fillna(val, inplace = True) return df.drop_duplicates() def remove_outliers2(df, col_name): low_num = np.quantile(df[col_name], 0.05)
high_num = np.quantile(df[col_name], 0.95)
df.loc[df[col_name] > float(high_num), col_name] = high_num return df def convert_dtypes(df): print(df.dtypes) return df.convert_dtypes()
df_cleaned = (df.pipe(fill_missing_values_and_drop_duplicates, 'History').
pipe(remove_outliers2, 'Salary').
pipe(convert_dtypes))
所以我們之后再數(shù)據(jù)清洗的過程當(dāng)中,可以將這種程序化的清洗步驟封裝成一個個函數(shù),然后用pipe()串聯(lián)起來,用在每一個數(shù)據(jù)分析的項目當(dāng)中,更快地提高我們工作和分析的效率。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03