作者｜Kin Lim Lee

編譯｜量子位

最近，大數(shù)據(jù)工程師Kin Lim Lee在Medium上發(fā)表了一篇文章，介紹了8個(gè)用于數(shù)據(jù)清洗的Python代碼。

數(shù)據(jù)清洗，是進(jìn)行數(shù)據(jù)分析和使用數(shù)據(jù)訓(xùn)練模型的必經(jīng)之路，也是最耗費(fèi)數(shù)據(jù)科學(xué)家/程序員精力的地方。

這些用于數(shù)據(jù)清洗的代碼有兩個(gè)優(yōu)點(diǎn)：一是由函數(shù)編寫而成，不用改參數(shù)就可以直接使用。二是非常簡(jiǎn)單，加上注釋最長(zhǎng)的也不過11行。在介紹每一段代碼時(shí)，Lee都給出了用途，也在代碼中也給出注釋。大家可以把這篇文章收藏起來，當(dāng)做工具箱使用。

涵蓋8大場(chǎng)景的數(shù)據(jù)清洗代碼

這些數(shù)據(jù)清洗代碼，一共涵蓋8個(gè)場(chǎng)景，分別是：

刪除多列、更改數(shù)據(jù)類型、將分類變量轉(zhuǎn)換為數(shù)字變量、檢查缺失數(shù)據(jù)、刪除列中的字符串、刪除列中的空格、用字符串連接兩列（帶條件）、轉(zhuǎn)換時(shí)間戳（從字符串到日期時(shí)間格式）

刪除多列

在進(jìn)行數(shù)據(jù)分析時(shí)，并非所有的列都有用，用df.drop可以方便地刪除你指定的列。

def drop_multiple_col(col_names_list, df): 
 
 AIM -> Drop multiple columns based on their column names 
 INPUT -> List of column names, df
 OUTPUT -> updated df with dropped columns 
 ------
 
 df.drop(col_names_list, axis=1, inplace=True)
 return df

轉(zhuǎn)換數(shù)據(jù)類型

當(dāng)數(shù)據(jù)集變大時(shí)，需要轉(zhuǎn)換數(shù)據(jù)類型來節(jié)省內(nèi)存。

def change_dtypes(col_int, col_float, df): 
 
 AIM -> Changing dtypes to save memory
 INPUT -> List of column names (int, float), df
 OUTPUT -> updated df with smaller memory 
 ------
 
 df[col_int] = df[col_int].astype( int32 )
 df[col_float] = df[col_float].astype( float32 )

將分類變量轉(zhuǎn)換為數(shù)值變量

一些機(jī)器學(xué)習(xí)模型要求變量采用數(shù)值格式。這需要先將分類變量轉(zhuǎn)換為數(shù)值變量。同時(shí)，你也可以保留分類變量，以便進(jìn)行數(shù)據(jù)可視化。

def convert_cat2num(df):
 # Convert categorical variable to numerical variable
 num_encode = { col_1 : { YES :1, NO :0},
 col_2 : { WON :1, LOSE :0, DRAW :0}} 
 df.replace(num_encode, inplace=True) 

檢查缺失數(shù)據(jù)

如果你要檢查每列缺失數(shù)據(jù)的數(shù)量，使用下列代碼是最快的方法。可以讓你更好地了解哪些列缺失的數(shù)據(jù)更多，從而確定怎么進(jìn)行下一步的數(shù)據(jù)清洗和分析操作。

def check_missing_data(df):
 # check for any missing data in the df (display in descending order)
 return df.isnull().sum().sort_values(ascending=False)

刪除列中的字符串

有時(shí)候，會(huì)有新的字符或者其他奇怪的符號(hào)出現(xiàn)在字符串列中，這可以使用df[‘col_1’].replace很簡(jiǎn)單地把它們處理掉。

def remove_col_str(df):
 # remove a portion of string in a dataframe column - col_1
 df[ col_1 ].replace(, , regex=True, inplace=True)
 # remove all the characters after  (including ) for column - col_1
 df[ col_1 ].replace( .* , , regex=True, inplace=True)

刪除列中的空格

數(shù)據(jù)混亂的時(shí)候，什么情況都有可能發(fā)生。字符串開頭經(jīng)常會(huì)有一些空格。在刪除列中字符串開頭的空格時(shí)，下面的代碼非常有用。

def remove_col_white_space(df):
 # remove white space at the beginning of string 
 df[col] = df[col].str.lstrip()

用字符串連接兩列（帶條件）

當(dāng)你想要有條件地用字符串將兩列連接在一起時(shí)，這段代碼很有幫助。比如，你可以在第一列結(jié)尾處設(shè)定某些字母，然后用它們與第二列連接在一起。根據(jù)需要，結(jié)尾處的字母也可以在連接完成后刪除。

def concat_col_str_condition(df):
 # concat 2 columns with strings if the last 3 letters of the first column are pil
 mask = df[ col_1 ].str.endswith( pil , na=False)
 col_new = df[mask][ col_1 ] + df[mask][ col_2 ]
 col_new.replace( pil , , regex=True, inplace=True) # replace the pil with emtpy space

轉(zhuǎn)換時(shí)間戳（從字符串到日期時(shí)間格式）

在處理時(shí)間序列數(shù)據(jù)時(shí)，我們很可能會(huì)遇到字符串格式的時(shí)間戳列。這意味著要將字符串格式轉(zhuǎn)換為日期時(shí)間格式(或者其他根據(jù)我們的需求指定的格式) ，以便對(duì)數(shù)據(jù)進(jìn)行有意義的分析。

def convert_str_datetime(df): 
 
 AIM -> Convert datetime(String) to datetime(format we want)
 INPUT -> df
 OUTPUT -> updated df with new datetime format 
 ------
 
 df.insert(loc=2, column= timestamp , value=pd.to_datetime(df.transdate, format= %Y-%m-%d %H:%M:%S.%f ))