7. pandas JSON
- JSON(JavaScript Object Notation,JavaScript 对象表示法),是存储和交换文本信息的语法,类似 XML。
JSON 比 XML 更小、更快,更易解析。
实例1——以sites.json为例
# 保存文件 import pandas as pd data=[ { "id": "A001", "name": "菜鸟教程", "url": "www.runoob.com", "likes": 61 }, { "id": "A002", "name": "Google", "url": "www.google.com", "likes": 124 }, { "id": "A003", "name": "淘宝", "url": "www.taobao.com", "likes": 45 } ] df=pd.DataFrame(data) df.to_json("sites.json")
# 读取文件,输出 df=pd.read_json("sites.json") print(df.to_string()) # 结果如下:
实例2——将 Python 字典转化为 DataFrame 数据
JSON 对象与 Python 字典具有相同的格式,所以我们可以直接将 Python 字典转化为 DataFrame 数据:
import pandas as pd #将字典格式的JSON s={ "col1":{"row1":1,"row2":2,"row3":3}, "col2":{"row1":"x","row2":"y","row":"z"} } #读取JSON转为DataFrame df=pd.DataFrame(s) print(df) #输出结果如下图:
实例3 ——从 URL 中读取 JSON 数据:
import pandas as pd URL = 'https://static.runoob.com/download/sites.json' df = pd.read_json(URL) print(df) #结果如下图:
8. pandas - 数据清洗
数据清洗是对一些数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况进行处理,如果要对使数据分析更加准确,就需要对这些没有用的数据进行处理。
8.1 pandas 清洗空值
- 如果我们要删除包含空字段的行,可以使用 dropna() 方法,语法格式如下:
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
参数说明:
axis:默认为 0,表示逢空值剔除整行,如果设置参数 axis=1 表示逢空值去掉整列。
how:默认为 ‘any’ 如果一行(或一列)里任何一个数据有出现 NA 就去掉整行,如果设置 how=‘all’ 一行(或列)都是 NA 才去掉这整行。
thresh:设置需要多少非空值的数据才可以保留下来的。
subset:设置想要检查的列。如果是多个列,可以使用列名的 list 作为参数。
inplace:如果设置 True,将计算得到的值直接覆盖之前的值并返回 None,修改的是源数据。
- 实例1——通过 isnull() 判断各个单元格是否为空
import pandas as pd df = pd.read_csv('property-data.csv') print (df['NUM_BEDROOMS']) print (df['NUM_BEDROOMS'].isnull()) #结果如下图:
以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据,na 不是空数据,不符合我们要求,我们可以指定空数据类型:
import pandas as pd missing_values = ["n/a", "na", "--"] df = pd.read_csv('property-data.csv', na_values = missing_values) print (df['NUM_BEDROOMS']) print (df['NUM_BEDROOMS'].isnull()) #结果如下:
- 实例2——删除包含空数据的行
import pandas as pd df = pd.read_csv("property-data.csv") new_df = df.dropna() print(new_df.to_string()) #结果如下:
注意: 默认情况下,dropna() 方法返回一个新的 DataFrame,不会修改源数据。
如果要修改源数据 DataFrame, 可以使用inplace = True
参数:
import pandas as pd df = pd.read_csv('property-data.csv') df.dropna(inplace = True) print(df.to_string()) #结果如下:
实例3——移除指定列有空值的行
# 移除 ST_NUM 列中字段值为空的行: import pandas as pd df = pd.read_csv("property-data.csv") df.dropna(subset=['ST_NUM'],inplace=True) print(df.to_string()) #结果如下:
- 实例4——fillna() 方法来替换一些空字段
# 使用 12345 替换空字段: import pandas as pd df = pd.read_csv("property-data.csv") df.fillna('xiaoba',inplace=True) print(df.to_string()) # 结果如下:
- 实例5——指定替换某一个列的空数据
# 使用 12345 替换 PID 为空数据 import pandas as pd df = pd.read_csv("property-data.csv") df['PID'].fillna(12345,inplace=True) print(df.to_string()) #结果如下:
替换空单元格的常用方法是计算列的均值、中位数值或众数。
Pandas使用 mean()
、median()
和 mode()
方法计算列的均值(所有值加起来的平均值)、中位数值(排序后位置在中间的数)和众数(出现频率最高的数)。
- 实例6——使用 mean() 方法计算列的平均值并替换空单元格
import pandas as pd df = pd.read_csv("property-data.csv") # 求ST_NUM 列的平均值 x = df["ST_NUM"].mean() # 将ST_NUM 列中为空的替换为均值 df["ST_NUM"].fillna(x,inplace=True) print(df.to_string()) # 结果如下:
- 实例7——使用 median() 方法计算列的中位数并替换空单元格
import pandas as pd df = pd.read_csv("property-data.csv") # 求ST_NUM 列的中位数 x = df["ST_NUM"].median() # 将ST_NUM 列中为空的替换为中位数 df["ST_NUM"].fillna(x,inplace=True) print(df.to_string())
- 实例8——使用 mode() 方法计算列的众数并替换空单元格
import pandas as pd df = pd.read_csv("property-data.csv") df # 求ST_NUM 列的众数 x = df["ST_NUM"].mode() # 将ST_NUM 列中为空的替换为众数 df["ST_NUM"].fillna(x,inplace=True) print(df.to_string()) #结果如下: # 由于众数有两个,故而2个空值的位置各自替换了一个值
8.2 pandas清洗格式错误数据
数据格式错误的单元格会使数据分析变得困难,甚至无法分析。我们可以通过包含空单元格的行,或者将列中的所有单元格转换为相同格式的数据。
import pandas as pd # 第三个日期格式错误 data = { "Date":['2020/12/01', '2020/12/02' , '20201226'], "duration" : [50,40,30] } df = pd.DataFrame(data) df["Date"] = pd.to_datetime(df["Date"]) # 格式化日期 print(df.to_string()) #结果如下:
8.3 pandas 清洗错误数据
遇到错误数据,我们可以对错误的数据进行替换或移除。
- 实例1——替换错误年龄的数据
# 替换错误年龄的数据 import pandas as pd #年龄数据错误 person = { "name":["Goole","Runboo","Taobao"], "age":[50,53,12345] } df = pd.DataFrame(person) # 利用索引修改数据 df.loc[2,'age']=30 print(df.to_string()) # 结果如下
- 实例2——设置条件语句
# 设置条件语句 import pandas as pd #年龄数据错误 person = { "name":["Goole","Runboo","Taobao"], "age":[50,53,12345] } df = pd.DataFrame(person) for x in df.index: if df.loc[x,'age']>120: df.loc[x,'age']=120 print(df.to_string()) # 结果如下:
8.5 pandas 清洗重复数据
如果我们要清洗重复数据,可以使用 duplicated()
和 drop_duplicates()
方法。
- **实例1——duplicated() **
如果对应的数据是重复的,duplicated() 会返回 True,否则返回 False。
import pandas as pd person = { "name": ['Google', 'Runoob', 'Runoob', 'Taobao'], "age": [50, 40, 40, 23] } df = pd.DataFrame(person) print(df.duplicated())
- 实例2——使用drop_duplicates() 方法删除重复数据
import pandas as pd person = { "name": ['Google', 'Runoob', 'Runoob', 'Taobao'], "age": [50, 40, 40, 23] } df = pd.DataFrame(person) df.drop_duplicates(inplace=True) df
更多内容待更新~~