python3常用的數(shù)據(jù)清洗方法(小結(jié))
首先載入各種包:
import pandas as pd import numpy as np from collections import Counter from sklearn import preprocessing from matplotlib import pyplot as plt %matplotlib inline import seaborn as sns plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字體設(shè)置-黑體 plt.rcParams['axes.unicode_minus'] = False # 解決保存圖像是負(fù)號(hào)'-'顯示為方塊的問(wèn)題 sns.set(font='SimHei') # 解決Seaborn中文顯示問(wèn)題
讀入數(shù)據(jù):這里數(shù)據(jù)是編造的
data=pd.read_excel('dummy.xlsx')
本案例的真實(shí)數(shù)據(jù)是這樣的:
對(duì)數(shù)據(jù)進(jìn)行多方位的查看:
實(shí)際情況中可能會(huì)有很多行,一般用head()看數(shù)據(jù)基本情況
data.head() #查看長(zhǎng)啥樣 data.shape #查看數(shù)據(jù)的行列大小 data.describe()


#列級(jí)別的判斷,但凡某一列有null值或空的,則為真 data.isnull().any() #將列中為空或者null的個(gè)數(shù)統(tǒng)計(jì)出來(lái),并將缺失值最多的排前 total = data.isnull().sum().sort_values(ascending=False) print(total) #輸出百分比: percent =(data.isnull().sum()/data.isnull().count()).sort_values(ascending=False) missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent']) missing_data.head(20)

也可以從視覺(jué)上直觀查看缺失值:
import missingno missingno.matrix(data) data=data.dropna(thresh=data.shape[0]*0.5,axis=1) #至少有一半以上是非空的列篩選出來(lái)
#如果某一行全部都是na才刪除: data.dropna(axis=0,how='all')

#默認(rèn)情況下是只保留沒(méi)有空值的行 data=data.dropna(axis=0)

#統(tǒng)計(jì)重復(fù)記錄數(shù) data.duplicated().sum() data.drop_duplicates()
對(duì)連續(xù)型數(shù)據(jù)和離散型數(shù)據(jù)分開(kāi)處理:
data.columns #第一步,將整個(gè)data的連續(xù)型字段和離散型字段進(jìn)行歸類(lèi) id_col=['姓名'] cat_col=['學(xué)歷','學(xué)校'] #這里是離散型無(wú)序,如果有序,請(qǐng)參考map用法,一些博客上有寫(xiě) cont_col=['成績(jī)','能力'] #這里是數(shù)值型 print (data[cat_col]) #這里是離散型的數(shù)據(jù)部分 print (data[cont_col])#這里是連續(xù)性數(shù)據(jù)部分
對(duì)于離散型部分:
#計(jì)算出現(xiàn)的頻次 for i in cat_col: print (pd.Series(data[i]).value_counts()) plt.plot(data[i])

#對(duì)于離散型數(shù)據(jù),對(duì)其獲取啞變量 dummies=pd.get_dummies(data[cat_col]) dummies
對(duì)于連續(xù)型部分:
#對(duì)于連續(xù)型數(shù)據(jù)的大概統(tǒng)計(jì): data[cont_col].describe() #對(duì)于連續(xù)型數(shù)據(jù),看偏度,一般大于0.75的數(shù)值做一個(gè)log轉(zhuǎn)化,使之盡量符合正態(tài)分布,因?yàn)楹芏嗄P偷募僭O(shè)數(shù)據(jù)是服從正態(tài)分布的 skewed_feats = data[cont_col].apply(lambda x: (x.dropna()).skew() )#compute skewness skewed_feats = skewed_feats[skewed_feats > 0.75] skewed_feats = skewed_feats.index data[skewed_feats] = np.log1p(data[skewed_feats]) skewed_feats
#對(duì)于連續(xù)型數(shù)據(jù),對(duì)其進(jìn)行標(biāo)準(zhǔn)化 scaled=preprocessing.scale(data[cont_col]) scaled=pd.DataFrame(scaled,columns=cont_col) scaled

m=dummies.join(scaled) data_cleaned=data[id_col].join(m) data_cleaned
看變量之間的相關(guān)性:
data_cleaned.corr()

#以下是相關(guān)性的熱力圖,方便肉眼看
def corr_heat(df):
dfData = abs(df.corr())
plt.subplots(figsize=(9, 9)) # 設(shè)置畫(huà)面大小
sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Blues")
# plt.savefig('./BluesStateRelation.png')
plt.show()
corr_heat(data_cleaned)

如果有覺(jué)得相關(guān)性偏高的視情況刪減某些變量。
#取出與某個(gè)變量(這里指能力)相關(guān)性最大的前四個(gè),做出熱點(diǎn)圖表示
k = 4 #number of variables for heatmap
cols = corrmat.nlargest(k, '能力')['能力'].index
cm = np.corrcoef(data_cleaned[cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt='.2f', annot_kws={'size': 10}, yticklabels=cols.values, xticklabels=cols.values)
plt.show()
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Python中類(lèi)變量和實(shí)例變量的區(qū)別
這篇文章主要介紹了Python中類(lèi)變量和實(shí)例變量的區(qū)別,文章針對(duì)Python類(lèi)變量和實(shí)例變量的問(wèn)題,給出了具體說(shuō)明和演示,需要的小伙伴可以參考一下2022-02-02
Python中shutil模塊的學(xué)習(xí)筆記教程
shutil模塊是一種高層次的文件操作工具,類(lèi)似于高級(jí)API,主要強(qiáng)大之處在于其對(duì)文件的復(fù)制與刪除操作更是比較支持好。下面這篇文章主要介紹了Python中shutil模塊的相關(guān)教程,需要的朋友可以參考學(xué)習(xí),下面來(lái)一起看看吧。2017-04-04
淺談Python_Openpyxl使用(最全總結(jié))
這篇文章主要介紹了淺談Python_Openpyxl使用(最全總結(jié)),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-09-09
python使用psutil模塊獲取系統(tǒng)狀態(tài)
作為程序猿,大家可能都熟悉linux系統(tǒng)的基礎(chǔ)信息獲取方法都是通過(guò)shell來(lái)獲取,但是在python中,我們還可以使用psutil模塊來(lái)獲取系統(tǒng)信息。psutil模塊把shell查看系統(tǒng)基礎(chǔ)信息的功能都包裝了下,使用更加簡(jiǎn)單,功能豐富。2016-08-08
Python requests.post方法中data與json參數(shù)區(qū)別詳解
這篇文章主要介紹了Python requests.post方法中data與json參數(shù)區(qū)別詳解,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-04-04
python爬蟲(chóng)用request庫(kù)處理cookie的實(shí)例講解
在本篇內(nèi)容里小編給大家整理的是一篇關(guān)于python爬蟲(chóng)用request庫(kù)處理cookie的實(shí)例講解內(nèi)容,有需要的朋友們可以學(xué)習(xí)參考下。2021-02-02
Python實(shí)現(xiàn)解析ini配置文件的示例詳解
在開(kāi)發(fā)過(guò)程中,配置文件是少不了的,而且配置文件是有專(zhuān)門(mén)的格式的,比如:ini,?yaml,?toml?等等。而對(duì)于?Python?而言,也都有相應(yīng)的庫(kù)來(lái)解析相應(yīng)格式的文件,下面我們來(lái)看看?ini?文件要如何解析2022-09-09
Python3實(shí)現(xiàn)二叉樹(shù)的最大深度
這篇文章主要介紹了Python3實(shí)現(xiàn)二叉樹(shù)的最大深度, 文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-09-09

