python優化數據預處理方法Pandas pipe詳解

Posted on by

我們知道現實中的數據通常是雜亂無章的，需要大量的預處理才能使用。Pandas 是應用最廣泛的數據分析和處理庫之一，它提供瞭多種對原始數據進行預處理的方法。

import numpy as np
import pandas as pd
df = pd.DataFrame({
   "id": [100, 100, 101, 102, 103, 104, 105, 106],
   "A": [1, 2, 3, 4, 5, 2, np.nan, 5],
   "B": [45, 56, 48, 47, 62, 112, 54, 49],
   "C": [1.2, 1.4, 1.1, 1.8, np.nan, 1.4, 1.6, 1.5]
})
df

上述數據中 NaN 表示的缺失值，id 列包含重復的值，B 列中的 112 似乎是一個異常值。

這些就是現實數據中的一些典型問題。我們將創建一個管道來處理剛才描述的問題。對於每個任務，我們都需要一個函數。因此，首先是創建放置在管道中的函數。需要註意的是，管道中使用的函數需要將數據幀作為參數並返回數據幀。

第一個函數是處理缺少的值

def fill_missing_values(df):
   for col in df.select_dtypes(include= ["int","float"]).columns:
      val = df[col].mean()
      df[col].fillna(val, inplace=True)
   return df

我喜歡用列的平均值替換數字列中缺少的值，當然你也可以根據具體場景來定義。隻要它將數據幀作為參數並返回數據幀，它就可以在管道中工作。

第二個函數是幫助我們刪除重復的值

def drop_duplicates(df, column_name):
   df = df.drop_duplicates(subset=column_name)
   return df

調用 Pandas 內置的 drop duplicates 函數，它可以消除給定列中的重復值。

最後一個函數是用於消除異常值

def remove_outliers(df, column_list):
   for col in column_list:
      avg = df[col].mean()
      std = df[col].std()
      low = avg - 2 * std
      high = avg + 2 * std
      df = df[df[col].between(low, high, inclusive=True)]
   return df

此函數的作用如下：

  • 需要一個數據幀和一列列表
  • 對於列表中的每一列，它計算平均值和標準偏差
  • 計算標準差，並使用下限平均值
  • 刪除下限和上限定義的范圍之外的值

與前面的函數一樣，你可以選擇自己的檢測異常值的方法。

創建管道

我們現在有3個函數來進行數據預處理的任務。接下來就是使用這些函數創建管道。

df_processed = (df.pipe(fill_missing_values).pipe(drop_duplicates, "id").pipe(remove_outliers, ["A","B"]))

此管道按給定順序執行函數。我們可以將參數和函數名一起傳遞給管道。

這裡需要提到的一點是，管道中的一些函數修改瞭原始數據幀。因此，使用上述管道也將更新df。

解決此問題的一個方法是在管道中使用原始數據幀的副本。如果你不關心保持原始數據幀的原樣，那麼可以在管道中使用它。

我將更新管道，如下所示：

my_df = df.copy()
df_processed = (my_df.pipe(fill_missing_values).pipe(drop_duplicates, "id").pipe(remove_outliers, ["A","B"]))

讓我們看一下原始數據幀和處理後的數據幀：

結論

當然，你可以通過單獨使用這些函數來完成相同的任務。但是，管道函數提供瞭一種結構化和有組織的方式，可以將多個功能組合到單個操作中。

根據原始數據和任務，預處理可能包括更多步驟。可以根據需要在管道函數中添加任意數量的步驟。隨著步驟數量的增加，與單獨執行函數相比，管道函數的語法變得更清晰。

以上就是python優化數據預處理方法Pandas pipe詳解的詳細內容，更多關於pandas pipe數據預處理優化的資料請關註WalkonNet其它相關文章！

推薦閱讀：