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。

01、導(dǎo)入庫和讀取數(shù)據(jù)

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()

02、去除掉缺失值和重復(fù)值

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()

03、數(shù)據(jù)類型的轉(zhuǎn)換

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()

04、極值的檢測

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))

06、寫在最后

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。