Pandas 数据清洗

简介: 10月更文挑战第27天

数据清洗是对一些没有用的数据进行处理的过程。

很多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,如果要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。

在这个教程中,我们将利用 Pandas包来进行数据清洗。

本文使用到的测试数据 property-data.csv 如下:

上表包含了四种空数据:

  • n/a
  • NA
  • na

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。

我们可以通过 isnull() 判断各个单元格是否为空。

实例

import pandas as pd


df = pd.read_csv('property-data.csv')


print (df['NUM_BEDROOMS'])

print (df['NUM_BEDROOMS'].isnull())

以上实例输出结果如下:

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:

实例

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())

以上实例输出结果如下:

接下来的实例演示了删除包含空数据的行。

实例

import pandas as pd


df = pd.read_csv('property-data.csv')


new_df = df.dropna()


print(new_df.to_string())

以上实例输出结果如下:

注意:默认情况下,dropna() 方法返回一个新的 DataFrame,不会修改源数据。

如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:

实例

import pandas as pd


df = pd.read_csv('property-data.csv')


df.dropna(inplace = True)


print(df.to_string())

以上实例输出结果如下:

我们也可以移除指定列有空值的行:

实例

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())

以上实例输出结果如下:

我们也可以 fillna() 方法来替换一些空字段:

实例

使用 12345 替换空字段:

import pandas as pd


df = pd.read_csv('property-data.csv')


df.fillna(12345, inplace = True)


print(df.to_string())

以上实例输出结果如下:

我们也可以指定某一个列来替换数据:

实例

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())

以上实例输出结果如下:

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()mode() 方法计算列的均值(所有值加起来的平均值)、中位数值(排序后排在中间的数)和众数(出现频率最高的数)。

实例

使用 mean() 方法计算列的均值并替换空单元格:

import pandas as pd


df = pd.read_csv('property-data.csv')


x = df["ST_NUM"].mean()


df["ST_NUM"].fillna(x, inplace = True)


print(df.to_string())

以上实例输出结果如下,红框为计算的均值替换来空单元格:

实例

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')


x = df["ST_NUM"].median()


df["ST_NUM"].fillna(x, inplace = True)


print(df.to_string())

以上实例输出结果如下,红框为计算的中位数替换来空单元格:

实例

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')


x = df["ST_NUM"].mode()


df["ST_NUM"].fillna(x, inplace = True)


print(df.to_string())

以上实例输出结果如下,红框为计算的众数替换来空单元格:


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,甚至不可能。

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。

以下实例会格式化日期:

实例

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, 45]

}


df = pd.DataFrame(data, index = ["day1", "day2", "day3"])


df['Date'] = pd.to_datetime(df['Date'], format='mixed')


print(df.to_string())

以上实例输出结果如下:

          Date  duration

day1 2020-12-01        50

day2 2020-12-02        40

day3 2020-12-26        45


Pandas 清洗错误数据

数据错误也是很常见的情况,我们可以对错误的数据进行替换或移除。

以下实例会替换错误年龄的数据:

实例

import pandas as pd


person = {

 "name": ['Google', 'Runoob' , 'Taobao'],

 "age": [50, 40, 12345]    # 12345 年龄数据是错误的

}


df = pd.DataFrame(person)


df.loc[2, 'age'] = 30 # 修改数据


print(df.to_string())

以上实例输出结果如下:

    name  age

0  Google   50

1  Runoob   40

2  Taobao   30

也可以设置条件语句:

实例

将 age 大于 120 的设置为 120:

import pandas as pd


person = {

 "name": ['Google', 'Runoob' , 'Taobao'],

 "age": [50, 200, 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())

以上实例输出结果如下:

    name  age

0  Google   50

1  Runoob  120

2  Taobao  120

也可以将错误数据的行删除:

实例

将 age 大于 120 的删除:

import pandas as pd


person = {

 "name": ['Google', 'Runoob' , 'Taobao'],

 "age": [50, 40, 12345]    # 12345 年龄数据是错误的

}


df = pd.DataFrame(person)


for x in df.index:

 if df.loc[x, "age"] > 120:

   df.drop(x, inplace = True)


print(df.to_string())

以上实例输出结果如下:

    name  age

0  Google   50

1  Runoob   40


Pandas 清洗重复数据

如果我们要清洗重复数据,可以使用 duplicated()drop_duplicates() 方法。

如果对应的数据是重复的,duplicated() 会返回 True,否则返回 False。

实例

import pandas as pd


person = {

 "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],

 "age": [50, 40, 40, 23]  

}

df = pd.DataFrame(person)


print(df.duplicated())

以上实例输出结果如下:

0    False

1    False

2     True

3    False

dtype: bool

删除重复数据,可以直接使用drop_duplicates() 方法。

实例

import pandas as pd


persons = {

 "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],

 "age": [50, 40, 40, 23]  

}


df = pd.DataFrame(persons)


df.drop_duplicates(inplace = True)

print(df)

以上实例输出结果如下:

    name  age

0  Google   50

1  Runoob   40

3  Taobao   23

目录
相关文章
|
7月前
|
数据采集 机器学习/深度学习 Python
【机器学习】数据清洗——基于Pandas库的方法删除重复点
【机器学习】数据清洗——基于Pandas库的方法删除重复点
279 1
|
7月前
|
数据采集 Python
如何在Python中使用Pandas库进行数据清洗?
Pandas在Python中提供高效的数据清洗功能,包括处理缺失值(`dropna()`删除、`fillna()`填充)、重复值(`duplicated()`检查、`drop_duplicates()`删除)、异常值(条件筛选、分位数、标准差)和文本数据(字符串操作、正则表达式)。这些方法帮助用户根据需求清洗数据,确保数据质量。
77 0
|
7月前
|
数据采集 Python
如何在Python中使用Pandas库进行数据清洗?
【4月更文挑战第21天】Pandas在Python中用于数据清洗,包括处理缺失值(`dropna()`删除、`fillna()`填充)、处理重复值(`duplicated()`检查、`drop_duplicates()`删除)、处理异常值(条件筛选、分位数、标准差)和文本数据(字符串操作、正则表达式)。示例代码展示了各种方法的用法。
104 3
|
1月前
|
数据采集 数据挖掘 数据处理
如何使用 Pandas 库进行数据清洗和预处理?
数据清洗和预处理是数据分析中至关重要的步骤,Pandas库提供了丰富的函数和方法来完成这些任务
67 8
|
3天前
|
数据采集 分布式计算 大数据
Pandas数据清洗:缺失值处理
本文详细介绍了Pandas库中处理缺失值的方法,包括检测缺失值、删除缺失值、填充缺失值和插值法填充缺失值。通过基础概念和代码示例,帮助读者理解和解决数据清洗中常见的缺失值问题。
115 80
|
1月前
|
数据采集 Python
Pandas 常用函数-数据清洗
Pandas 常用函数-数据清洗
22 2
|
2月前
|
数据采集 数据可视化 数据挖掘
Python 数据分析实战:使用 Pandas 进行数据清洗与可视化
【10月更文挑战第3天】Python 数据分析实战:使用 Pandas 进行数据清洗与可视化
142 0
|
7月前
|
数据采集 数据挖掘 大数据
数据处理利器:使用Pandas进行数据清洗与转换
【4月更文挑战第12天】在大数据时代,Pandas是Python数据分析的关键工具,提供高效的数据清洗和转换功能。本文介绍了如何使用Pandas处理缺失值(删除或填充)、异常值(Z-Score法和IQR法)以及重复值(检测和删除)。此外,还涵盖了数据转换,包括数据类型转换、数据标准化(Min-Max和Z-Score)以及类别数据的one-hot编码。通过学习这些方法,可以为数据分析和挖掘奠定坚实基础。
197 0
|
6月前
|
数据采集 存储 数据可视化
Pandas高级教程:数据清洗、转换与分析
Pandas是Python的数据分析库,提供Series和DataFrame数据结构及数据分析工具,便于数据清洗、转换和分析。本教程涵盖Pandas在数据清洗(如缺失值、重复值和异常值处理)、转换(数据类型转换和重塑)和分析(如描述性统计、分组聚合和可视化)的应用。通过学习Pandas,用户能更高效地处理和理解数据,为数据分析任务打下基础。
768 3
|
7月前
|
数据采集 数据挖掘 Serverless
利用Python和Pandas库优化数据清洗流程
在数据分析项目中,数据清洗是至关重要的一步。传统的数据清洗方法往往繁琐且易出错。本文将介绍如何利用Python编程语言中的Pandas库,通过其强大的数据处理能力,实现高效、自动化的数据清洗流程。我们将探讨Pandas库在数据清洗中的应用,包括缺失值处理、重复值识别、数据类型转换等,并通过一个实际案例展示如何利用Pandas优化数据清洗流程,提升数据质量。
下一篇
DataWorks