- 数据导入
- 数据查看
- 数据清洗
- 数据提取&筛选
- 数据排序
- 数据汇总&统计
- 数据标准化
- 导入相关包数据存储
数据清洗的详细全过程(带案例思路写)
1、导入相关包
Import pandas as pd
Import numpy as np
%matplotlib inline #jupyter notebook 一定要运行这一行代码,在 本地cell中显示图形(注释不能同行,会报错,换行)
Import glob #读取多个文件并合成一个文件
Path= ‘ ’ #设置文件的路径All.files=glob.glob(path+ ‘/*.csv’) #合并多个数组
All_date=[]
For filename in all_files;
df=pd.read_csv( filename,index_col=none,header=0)
All_df.append(date)
Df2=pd.concat(all_df.axis=0,ignore_index=true) #axis=0 指列,axis=1指行
2、导入数据集
df=pd.read_csv('文件路径')
df=pd.read_excel('文件路径')
df.head(2) #查看前两行
df.tail() #查看后几行
3、初步探索数据
df.shape #查看数据规模(维度)
df.dtypes #查看各变量的数据类型
df.info() #查看数据整体信息
df.describe() #显示数值型数据的描述统计
df.[‘origin’].unique() #查看origin 唯一值
df.[‘origin’].values() #查看origin 的数据
4、简单的数据处理
df.columns #看列名
Col =date.columns.values #col提取信息
df.columns=[x.strip()for x in col] #strip去除前后空格
df.columns
5、重复值的处理
df.duplicated #返回布尔型数据,告诉重复性数据
df[date.duplicated ] #看重复的记录
df.duplicated.sum() 看计数
删除重复值 Drop_duplicates()
df.Drop_duplicates(inplace=true) #inplace=true 表示直接在源数据上操作
df.head()
df.shape(0) 看有多少行
df.index=range(date.shape[0]) #重新建立索引
df.drop_duplicates(subset=[‘ ’, ‘’ ],keep= ‘first’,inplace=false) #指定变量判断 first保留第一个
6、异常值的处理
df.describe().T #.T是行列转值
Sta=(date[“价格”]-date[“价格”].mean())/date[“价格”].sta() #找出价格的异常值
Sta.abs()>3 #标准差大于3倍为异常
df[Sta.abs()>3]
df[date.节省>date.价格] #找出节省的异常值
Delindex=pd.concat([date[date.节省>date.价格],date[Sta.abs()>3]]).index #把异常值合并索引
df.drop(delindex,inplace=true) #在源数据中删除异常值
df.shape #查看数据规模
7、缺失值的处理
df.isnull().any(axis=0) #查看空值 判断各变量中是否存在缺失值
df.isnull().any(axis=1) #判断数据行中是否存在缺失值 axis=o是列,axis=1是行。
df.loc [date.isnull().any(axis=1)] #定位缺失值所在的行
df.isnull().sum() #各变量值缺失的数量
df.loc[date.出发地.Isnull (),”出发地”]= [str(x)[:2]for x in df.loc[df.出发地.isnull(),”线路名”]]
date.loc[date.出发地.Isnull (),”目的地”]= str(x)for x in df.loc[df.目的地.isnull(),”线路名”][5:7
df.[“价格”].fillna(round(df.[“价格”].mean(),0),inplace=true)
df.[“节省”].fillna(round(df.[“价格”].mean(),0),inplace=true) #mean是平均值
df.isnull().sum()
8、处理空值
Df3= date.Dropna() #直接删除空值数据所在行
Df_null_0=date.fillna(0,inplace=false) #定义缺失值为0 inplace=false就是不覆盖原始的数据
Df_null_value=df.fillna(values={‘horsepower’:df[‘horsepower’].mode()[0],inplace=false}) #对缺失值进行填充 mode 众数
9、数据排列:
Df.sort_values(by= ‘xx ’ ) #值排序:从小到大,一列值
Df.sort_values(by= [‘xx ’, ‘xx’] ) #值排序:两列值
Df.sort_values(by= ‘xx ’,ascending=false ) #值排序:两列值
Df.sort_index(‘index’, ascending=false) #索引排序
10、数据标准化
[0,1]标准化 将数据压缩到0~1之间
公式
Def MaxMinNormalization(x): #定义x函数
X=(x-np.min(x))/(np.max(x)-np.min(x))
Return x
s=MaxMinNormalization(x).reset_index #把x函数重新建群集
s #输出s
Z-score标准化 基于数据均值和方差的标准化方法,标准化的数据的均值为0,方差为1的正态分布。 要求原始数据的分布近似为高斯分布,否则效果会很差。
公式
Def ZescoreNormalization(x):
X=(x-np.mean(x))/(np.std(x)) #np.std(x) 标准差
Return x
y=ZescoreNormalization(x).reset_index
y
11、处理文本型数据
①去空格strip
② 处理中间有,()之类的数据:replace(',','')
③正则表达式
如果想要获取一系列的文本信息,可以使用正则表达式
正则表达式通常用来检查某个规则的文本
df.head(2)
df[“酒店评分”]=date.酒店Str.exstract(“(\d\.\d)分/5分”), expand=false
#\d\.\d)分/5分 是提取规则 ,expand=false :返回index, expand=true:返回dateframe
12、数据存储
df.to_excel(‘xx路径.xls’, sheet_name= ‘xx’ )