Python數據預處理常用的5個技巧

前言

我們知道數據是一項寶貴的資產,近年來經歷瞭指數級增長。但是原始數據通常不能立即使用,它需要進行大量清理和轉換。

Pandas 是 Python 的數據分析和操作庫,它有多種清理數據的方法和函數。在本文中,我將做5個示例來幫助大傢掌握數據清理技能。

數據集

這是一個包含臟數據的示例數據框

讓我們看看可以做些什麼來使這個數據集變得幹凈。

第一列是多餘的,應該刪除;

Date 沒有標準;

Name 寫成姓氏、名字,並有大寫和小寫字母;

Payment 代表一個數量,但它們顯示為字符串,需要處理;

在 Note 中,有一些非字母數字應該被刪除;

示例 1

刪除列是使用 drop 函數的簡單操作。除瞭寫列名外,我們還需要指定軸參數的值,因為 drop 函數用於刪除行和列。 最後,我們可以使用 inplace 參數來保存更改。

import pandas as pd
df.drop("Unnamed: 0", axis=1, inplace=True)

示例 2

我們有多種選擇將日期值轉換為適當的格式。一種更簡單的方法是使用 astype 函數來更改列的數據類型。
它能夠處理范圍廣泛的值並將它們轉換為整潔、標準的日期格式。

df["Date"] = df["Date"].astype("datetime64[ns]")

示例 3

關於名稱列,我們首先需要解決如下問題:

首先我們應該用所有大寫或小寫字母來表示它們。另一種選擇是將它們大寫(即隻有首字母是大寫的);

切換姓氏和名字的順序;

df["Name"].str.split(",", expand=True)

然後,我將取第二列與第一列結合起來,中間有一個空格。最後一步是使用 lower 函數將字母轉換為小寫。

df["Name"] = (df["Name"].str.split(",", expand=True)[1] + " " + df["Name"].str.split(",", expand=True)[0]).str.lower()

示例 4

支付Payment的數據類型是不能用於數值分析的。在將其轉換為數字數據類型(即整數或浮點數)之前,我們需要刪除美元符號並將第一行中的逗號替換為點。

我們可以使用 Pandas 在一行代碼中完成所有這些操作

df["Payment"] = df["Payment"].str[1:].str.replace(",", ".").astype("float")

示例 5

Note 列中的一些字符也需要刪除。在處理大型數據集時,可能很難手動替換它們。

我們可以做的是刪除非字母數字字符(例如?、!、-、. 等)。在這種情況下也可以使用 replace 函數,因為它接受正則表達式。

如果我們隻想要字母字符,下面是我們如何使用替換函數:

df["Note"].str.replace('[^a-zA-Z]', '')
0      Unhappy
1    Satisfied
2      Neutral
3      Unhappy
4      Neutral
Name: Note, dtype: object

如果我們想要字母和數字(即字母數字),我們需要在我們的正則表達式中添加數字:

df["Note"].str.replace('[^a-zA-Z0-9]', '')
0      Unhappy
1    Satisfied
2      Neutral
3      Unhappy
4      Neutral0
Name: Note, dtype: object

請註意,這次沒有刪除最後一行中的 0,我隻需選擇第一個選項。如果我還想在刪除非字母數字字符後將字母轉換為小寫

df["Note"] = df["Note"].str.replace('[^a-zA-Z]', '').str.lower()

與初始形式相比,數據集看起來要好得多。當然,它是一個簡單的數據集,但這些清理操作在處理大型數據集時肯定會對你有所幫助。

總結

到此這篇關於Python數據預處理常用的5個技巧的文章就介紹到這瞭,更多相關Python數據預處理內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: