python 数据预处理,Python数据清理学习笔记——数据预处理,python,清洗
python数据清洗学习笔记–数据预处理
1、重复值处理
• 数据清洗一般先从重复值和缺失值开始处理
• 重复值一般采取删除法来处理
• 但有些重复值不能删除，例如订单明细数据或交易明细数据等
df[df.duplicated()]
np.sum(df.duplicated())
df.drop_duplicates()
df.drop_duplicates(subset=['column1_name','column2_name'],inplace=True)
2、缺失值处理
• 缺失值首先需要根据实际情况定义
• 可以采取直接删除法
• 有时候需要使用替换法或者插值法
• 常用的替换法有均值替换、前向、后向替换和常数替换
df.age.fillna(df.column_name.mean())
df.age.fillna(df.column_name.median())
df.fillna(20)
#缺失比例
df.apply(lambda x: sum(x.isnull())/len(x),axis= 0)
#删除法
#直接删除法
df.dropna()
#只要有缺失，就删除这一列
df.dropna(how='any',axis = 1 )
#只要有缺失，就删除这一行，等价于df.dropna()
df.dropna(how='any',axis = 0)
#axis = 0 或者 1代表的函数在数据集作用的方向，0代表沿着行的方向，1代表沿着列的方向
# 1代表列，0代表行，只要有缺失，就删除这一行,基于三个变量
df.dropna(axis = 0,how='any',subset=['column1_name','column2_name','column3_name'])
在数据分析中，实际上大部分时候都是按照行来进行删除的，很少会基于列来进行删除 列代表的是变量，是否删除删除列很多时候主要取决于缺失比例
使用替换法进行缺失值的填补
# 用均值填补
df.column_name.fillna(df.column_name.mean())
#中位数填补
df.column_name.fillna(df.column_name.median())
#众数填补
df.column_name.fillna(df.column_name.mode()[0])
# 所有缺失用20填补
df.fillna(20)
#前向填补
df['column_name'].fillna(method='ffill')
#后向填补
df['column_name'].fillna(method='bfill')
3、异常值处理
• 指那些偏离正常范围的值，不是错误值
• 异常值出现频率较低，但又会对实际项目分析造成偏差
• 异常值一般用过箱线图法(分位差法)或者分布图(标准差法)来判断
• 异常值往往采取盖帽法或者数据离散化
异常值检测可以使用均值的2倍标准差范围，也可以使用上下4分位数差方法
# 异常值检测之标准差法
xbar = df.Price.mean()
xstd = df.Price.std()
print('标准差法异常值上限检测：\n', any(df.Price > xbar + 2.5 * xstd))
print('标准差法异常值下限检测：\n', any(df.Price < xbar - 2.5 * xstd))
#异常值检测之箱线图法
Q1 = df.Price.quantile(q = 0.25)
Q3 = df.Price.quantile(q = 0.75)
IQR = Q3 - Q1
print('箱线图法异常值上限检测：\n',any(df.Price > Q3 + 1.5 * IQR))
print('箱线图法异常值下限检测：\n',any(df.Price < Q1 - 1.5 * IQR))
# 进行描述性统计
df.Price.describe()
df.Price.describe(percentiles=[0.2, 0.8])
#绘制box图形
import matplotlib.pyplot as plt
%matplotlib inline
df.Price.plot(kind='box')
#绘制直方图和密度图
# 导入绘图模块
import matplotlib.pyplot as plt
%matplotlib inline
# 设置绘图风格
plt.style.use('seaborn')
# 绘制直方图
df.Price.plot(kind='hist', bins=30, density=True)
# 绘制核密度图
df.Price.plot(kind='kde')
# 图形展现
plt.show()
# 用99分位数和1分位数替换
#计算P1和P99
P1 = df.Price.quantile(0.01)
P99 = df.Price.quantile(0.99)
#先创建一个新变量，进行赋值，然后将满足条件的数据进行替换
df['Price_new'] = df['Price']
df.loc[df['Price'] > P99,'Price_new'] = P99
df.loc[df['Price'] < P1,'Price_new'] = P1
#对比处理结果
df[['Price','Price_new']].describe()
4、数据离散化处理
• 数据离散化就是分箱
• 一般常用分箱方法是等频分箱或者等宽分箱
• 一般使用pd.cut或者pd.qcut函数
4-1、等宽分箱
pandas.cut(x,bins,right=True,labels)
pandas.cut(x,bins,right=True,labels)
x: 数据
bins: 离散化的数目,或者切分的区间
labels: 离散化后各个类别的标签
right: 是否包含区间右边的值
df['column_name'] = pd.cut(df['column_name'],5,labels=range(5))
df['age_bin'] = pd.cut(df['age_new'],5,labels=range(5))
df['age_bin'].hist()
#自定义bin
w = [100, 1000, 5000, 10000, 20000, 50000]
df['Price_bin'] = pd.cut(df['Price'],
bins=w,
labels=['低','便宜','划算','中等','高'],
right=False)
df['Price_bin'].value_counts()
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False)
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False)
参数：
x， 类array对象，且必须为一维，待切割的原形式
bins, 整数、序列尺度、或间隔索引。如果bins是一个整数，它定义了x宽度范围内的等宽面元数量，但是在这种情况下，x的范围在每个边上被延长1%，以保证包括x的最小值或最大值。如果bin是序列，它定义了允许非均匀bin宽度的bin边缘。在这种情况下没有x的范围的扩展。
right， 布尔值。是否是左开右闭区间，right=True,左开右闭,right=False,左闭右开
labels, 用作结果箱的标签。必须与结果箱相同长度。如果FALSE，只返回整数指标面元
retbins, 布尔值。是否返回面元
precision， 整数。返回面元的小数点几位
include_lowest，布尔值。第一个区间的左端点是否包含
4-2、等频分箱
pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates=’raise’)
pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates=’raise’)
参数：
x
q, 整数或分位数数组 整数比如 4 代表按照4分位数进行切割
labels, 用作结果箱的标签。必须与结果箱相同长度。如果FALSE，只返回整数指标面元。
#方法1
k = 5
w = [1.0*i/k for i in range(k+1)]
df['Price_bin'] = pd.qcut(df['Price_new'],w,labels=range(k))
df['Price_bin'].hist()
#方法2
#先计算分位数的值
k = 5
w1 = df['Price_new'].quantile([1.0*i/k for i in range(k+1)])#先计算分位数,再进行分段
w1[0] = w1[0]* 0.98 # 最小值缩小一点
w[-1] = w1[1]* 1.02 # 将最大值增大一点, 目的是为了确保数据在这个范围内
df['Price_bin'] = pd.cut(df['Price_new'],w1,labels=range(k))
df['Price_bin'].hist()
原理都是基于分位数来进行离散化
记录自：python数据清洗实战：Peter老师