今天來(lái)分享一個(gè)高效率的數(shù)據(jù)清洗的方法，畢竟我們平常在工作和生活當(dāng)中經(jīng)常會(huì)遇到需要去處理雜七雜八的數(shù)據(jù)集，有一些數(shù)據(jù)集中有缺失值、有些數(shù)據(jù)集中有極值、重復(fù)值等等。

01

導(dǎo)入庫(kù)和讀取數(shù)據(jù)

我們首先導(dǎo)入所需要用到的庫(kù)，并且讀取數(shù)據(jù)

import pandas as pd import numpy as npdf = pd.read_csv("DirectMarketing.csv")

我們先來(lái)大致地看一下數(shù)據(jù)集中各個(gè)特征值的情況，通過(guò)info()這個(gè)方法

df.info()

02

去除掉缺失值和重復(fù)值

我們看到上面的“History”這一列，只有697條數(shù)據(jù)不是空值，那就意味著還有另外3條數(shù)據(jù)是空值，與之對(duì)應(yīng)的方式有將含有缺失值的數(shù)據(jù)刪掉，或者將缺失值的部分替換為是中位數(shù)或者是平均數(shù)，

#?將缺失值給移除掉 df.dropna(axis = 0, inplace = True)

要是數(shù)據(jù)集中存在大量的缺失值，只是簡(jiǎn)簡(jiǎn)單單地移除掉怕是會(huì)影響到數(shù)據(jù)的完整性，如果是數(shù)值類型的特征值，就用用平均值或者是中位數(shù)來(lái)替換，如果是離散類型的缺失值，就用眾數(shù)來(lái)替換

def fill_missing_values_num(df, col_name):val = df[col_name].median()df[col_name].fillna(val, inplace = True)return df def?fill_missing_values_cate(df,?col_name):val = df[col_name].value_counts().index.tolist()[0]df[col_name].fillna(val, inplace = True)return df

而可能存在重復(fù)值的部分，pandas當(dāng)中有drop_ducplicates()方法來(lái)進(jìn)行處理

df.drop_duplicates(inplace?= True)

最后我們封裝成一個(gè)函數(shù)，對(duì)于缺失值的處理小編這里選擇用中位數(shù)填充的方式來(lái)處理

def?fill_missing_values_and_drop_duplicates(df,?col_name):val = df[col_name].value_counts().index.tolist()[0]df[col_name].fillna(val, inplace = True)return df.drop_duplicates()

03

數(shù)據(jù)類型的轉(zhuǎn)換

經(jīng)常使用pandas的人可能都有這種體驗(yàn)，它經(jīng)常會(huì)將數(shù)據(jù)集中的變量類型直接變成object，這里我們可以直接使用“convert_dtypes”來(lái)進(jìn)行批量的轉(zhuǎn)換，它會(huì)自動(dòng)推斷數(shù)據(jù)原來(lái)的類型，并實(shí)現(xiàn)轉(zhuǎn)換，并且打印出來(lái)里面各列的數(shù)據(jù)類型，封裝成一個(gè)函數(shù)

def convert_dtypes(df):print(df.dtypes)return df.convert_dtypes()

04

極值的檢測(cè)

對(duì)于極值的檢測(cè)有多種方式，例如我們可以通過(guò)箱型圖的方式來(lái)查看

sample = [11, 500, 20, 24, 400, 25, 10, 21, 13, 8, 15, 10] plt.boxplot(sample, vert=False) plt.title("箱型圖來(lái)檢測(cè)異常值",fontproperties="SimHei") plt.xlabel('樣本數(shù)據(jù)',fontproperties="SimHei")

我們可以通過(guò)箱型圖來(lái)明顯的看出當(dāng)中有兩個(gè)異常值，也就是400和500這兩個(gè)，箱型圖由最大值、上四分位數(shù)（Q3）、中位數(shù)（Q2）、下四分位數(shù)和最小值五個(gè)統(tǒng)計(jì)量組成，其中Q1和Q3之間的間距稱為是四分位間距（interquartile range，IQR），而通常若是樣本中的數(shù)據(jù)大于Q3+1.5IQR和小于Q1-1.5IQR定義為異常值

當(dāng)然了除此之外，還可以通過(guò)z-score的方法來(lái)檢測(cè)，Z-score是以標(biāo)準(zhǔn)差為單位去度量某個(gè)數(shù)據(jù)偏離平均數(shù)的距離，計(jì)算公式為

我們用python來(lái)實(shí)現(xiàn)一下當(dāng)中的步驟

outliers = [] def detect_outliers_zscore(data, threshold):mean = np.mean(data)std = np.std(data)for i in data:z_score = (i-mean)/stdif (np.abs(z_score) > threshold):outliers.append(i)return?outliers#?Driver?code

而對(duì)待異常值的方式，首先最直接的就是將異常值給去掉，我們檢測(cè)到異常值所在的行數(shù)，然后刪掉該行，當(dāng)然當(dāng)數(shù)據(jù)集當(dāng)中的異常值數(shù)量很多的時(shí)候，移除掉必然會(huì)影響數(shù)據(jù)集的完整性，從而影響建模最后的效果

def?remove_outliers1(df,?col_name):low?=?np.quantile(df[col_name],?0.05)high?=?np.quantile(df[col_name],?0.95)return?df[df[col_name].between(low,?high,?inclusive=True)]

其次我們可以將異常值替換成其他的值，例如上面箱型圖提到的上四分位數(shù)或者是下四分位數(shù)

def remove_outliers2(df, col_name):low_num = np.quantile(df[col_name], 0.05)high_num = np.quantile(df[col_name], 0.95)df.loc[df[col_name]?>?high_num,?col_name]?=?high_num df.loc[df[col_name]?<?low_num?,?col_name]?=?low_numreturn df

因此回到上面用到的樣本數(shù)據(jù)集，我們將之前數(shù)據(jù)清洗的函數(shù)統(tǒng)統(tǒng)整合起來(lái)，用pipe()的方法來(lái)串聯(lián)起來(lái)，形成一個(gè)數(shù)據(jù)清洗的標(biāo)準(zhǔn)模板

def fill_missing_values_and_drop_duplicates(df, col_name):val = df[col_name].value_counts().index.tolist()[0]df[col_name].fillna(val, inplace = True)return df.drop_duplicates()def remove_outliers2(df, col_name):low_num = np.quantile(df[col_name], 0.05)high_num = np.quantile(df[col_name], 0.95)df.loc[df[col_name] > float(high_num), col_name] = high_num return dfdef?convert_dtypes(df):print(df.dtypes)return df.convert_dtypes()df_cleaned?=?(df.pipe(fill_missing_values_and_drop_duplicates,?'History').pipe(remove_outliers2, 'Salary').pipe(convert_dtypes))

06

寫(xiě)在最后

所以我們之后再數(shù)據(jù)清洗的過(guò)程當(dāng)中，可以將這種程序化的清洗步驟封裝成一個(gè)個(gè)函數(shù)，然后用pipe()串聯(lián)起來(lái)，用在每一個(gè)數(shù)據(jù)分析的項(xiàng)目當(dāng)中，更快地提高我們工作和分析的效率。

往期精彩回顧適合初學(xué)者入門(mén)人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯黃海廣老師《機(jī)器學(xué)習(xí)課程》視頻課 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

以上是生活随笔為你收集整理的【数据科学】 推荐一个更高效的数据清洗方法，建议收藏的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。