数据预处理的10个小技能,附Pandas实现
数据预处理常用的处理步骤,包括找出异常值、处理缺失值、过滤不合适值、去掉重复行、分箱、分组、排名、category转数值等,下面使用 pandas 解决这些最常见的预处理任务。
找出异常值常用两种方法: 标准差法:异常值平均值上下1.96个标准差区间以外的值 分位数法:小于 1/4分位数减去 1/4和3/4分位数差的1.5倍,大于3/4减去 1/4和3/4分位数差的1.5倍,都为异常值 技能1 :标准差法 import pandas as pd df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]}) # 异常值平均值上下1.96个标准差区间以外的值 meangrade = df['a'].mean() stdgrade = df['a'].std() toprange = meangrade + stdgrade * 1.96 botrange = meangrade - stdgrade * 1.96 # 过滤区间外的值 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a'] > toprange].index) copydfcopydf = copydf.drop(copydf[copydf['a'] < botrange].index) copydf 技能2:分位数法 q1 = df['a'].quantile(.25) q3 = df['a'].quantile(.75) iqr = q3-q1 toprange = q3 + iqr * 1.5 botrange = q1 - iqr * 1.5 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a'] > toprange].index) copydfcopydf = copydf.drop(copydf[copydf['a'] < botrange].index) copydf 技能3:处理空值 np.nan 是 pandas 中常见空值,使用 dropna 过滤空值,axis 0 表示按照行,1 表示按列,how 默认为 any ,意思是只要有一个 nan 就过滤某行或某列,all 所有都为 nan # axis 0 表示按照行,all 此行所有值都为 nan df.dropna(axis=0, how='all') 技能4:充填空值 空值一般使用某个统计值填充,如平均数、众数、中位数等,使用函数 fillna: # 使用a列平均数填充列的空值,inplace true表示就地填充 df["a"].fillna(df["a"].mean(), inplace=True) 技能5:修复不合适值 假如某门课最高分100,如果出现 -2, 120 这样的值,显然不合理,使用布尔类型的Series对象修改数值: df.loc[(df['a'] < -2,'a')] = 0 df.loc[(df['a'] >= 100,'a')] = 100 技能6:过滤重复值 过滤某列重复值,使用 drop_duplicated 方法,第一个参数为列名,keep关键字等于last:最后一次出现此值行: df.drop_duplicates(['Names'], keep='last') 技能7:apply 元素级:去掉特殊字符 某列单元格含有特殊字符,如标点符号,使用元素级操作方法 apply 干掉它们: import string exclude = set(string.punctuation) def remove_punctuation(x): x = ''.join(ch for ch in x if ch not in exclude) return x # df Out[26]: a b 0 c,d edc.rc 1 3 3 2 d ef 4 # 过滤a列标点 In [27]: dfdf.a = df.a.apply(remove_punctuation) In [28]: df Out[28]: a b 0 cd edc.rc 1 3 3 2 d ef 4 技能8:cut 数据分箱 将百分制分数转为A,B,C,D四个等级,bins 被分为 [0,60,75,90,100],labels 等于['D', 'C', 'B', 'A']: # 生成20个[0,100]的随机整数 In [30]: a = np.random.randint(1,100,20) In [31]: a Out[31]: array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31, 5, 46, 98,99, 60, 43]) # cut分箱 In [33]: pd.cut(a, [0,60,75,90,100], labels = ['D', 'C', 'B', 'A']) Out[33]: [D, D, D, B, D, ..., D, A, A, D, D] Length: 20 Categories (4, object): [D < C < B < A] 技能9:rank 排名 rank 方法,生成数值排名,ascending 为False,分值越大,排名越靠前: (编辑:应用网_阳江站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |