Pandas數(shù)據(jù)清洗工具箱

在用pandas進(jìn)行數(shù)據(jù)處理時(shí)，同一個(gè)操作經(jīng)常會(huì)重復(fù)很多次，由于這些常見的場(chǎng)景涉及到不同類型的數(shù)據(jù)集，因此本文更加側(cè)重于展示和解釋這些代碼可以用于完成哪些工作，以便讀者更加方便地使用它們。

在下面的代碼片段中，數(shù)據(jù)清洗代碼被封裝在了一些函數(shù)中，代碼的目的十分直觀。你可以直接使用這些代碼，無需將它們嵌入到需要進(jìn)行少量參數(shù)修改的函數(shù)中。

1. 刪除多列數(shù)據(jù)

def?drop_multiple_col(col_names_list,?df):?
????'''
????AIM????->?Drop?multiple?columns?based?on?their?column?names?

????INPUT??->?List?of?column?names,?df

????OUTPUT?->?updated?df?with?dropped?columns?
????------
????'''
????df.drop(col_names_list,?axis=1,?inplace=True)
????return?df

有時(shí)，并不是所有列的數(shù)據(jù)都對(duì)我們的數(shù)據(jù)分析工作有用。因此，df.drop可以方便地刪掉你選定的列。

2. 轉(zhuǎn)換 Dtypes

def?change_dtypes(col_int,?col_float,?df):?
????'''
????AIM????->?Changing?dtypes?to?save?memory

????INPUT??->?List?of?column?names?(int,?float),?df

????OUTPUT?->?updated?df?with?smaller?memory??
????------
????'''
????df[col_int]?=?df[col_int].astype('int32')
????df[col_float]?=?df[col_float].astype('float32')

當(dāng)我們面對(duì)更大的數(shù)據(jù)集時(shí)，我們需要對(duì)「dtypes」進(jìn)行轉(zhuǎn)換，從而節(jié)省內(nèi)存。如果你有興趣學(xué)習(xí)如何使用Pandas來處理大數(shù)據(jù)，我強(qiáng)烈推薦你閱讀「Why and How to Use Pandas with Large Data」這篇文章（https://towardsdatascience.com/why-and-how-to-use-pandas-with-large-data-9594dda2ea4c）。

3. 將分類變量轉(zhuǎn)換為數(shù)值變量

def?convert_cat2num(df):
????#?Convert?categorical?variable?to?numerical?variable
????num_encode?=?{'col_1'?:?{'YES':1,?'NO':0},
??????????????????'col_2'??:?{'WON':1,?'LOSE':0,?'DRAW':0}}??
????df.replace(num_encode,?inplace=True)??

有一些機(jī)器學(xué)習(xí)模型要求變量是以數(shù)值形式存在的。這時(shí)，我們就需要將分類變量轉(zhuǎn)換成數(shù)值變量然后再將它們作為模型的輸入。對(duì)于數(shù)據(jù)可視化任務(wù)來說，我建議大家保留分類變量，從而讓可視化結(jié)果有更明確的解釋，便于理解。

4. 檢查缺失的數(shù)據(jù)

def?check_missing_data(df):
????#?check?for?any?missing?data?in?the?df?(display?in?descending?order)
????return?df.isnull().sum().sort_values(ascending=False)

如果你想要檢查每一列中有多少缺失的數(shù)據(jù)，這可能是最快的方法。這種方法可以讓你更清楚地知道哪些列有更多的缺失數(shù)據(jù)，幫助你決定接下來在數(shù)據(jù)清洗和數(shù)據(jù)分析工作中應(yīng)該采取怎樣的行動(dòng)。

5. 刪除列中的字符串

def?remove_col_str(df):
????#?remove?a?portion?of?string?in?a?dataframe?column?-?col_1
????df['col_1'].replace('\n',?'',?regex=True,?inplace=True)

????#?remove?all?the?characters?after?&#?(including?&#)?for?column?-?col_1
????df['col_1'].replace('?&#.*',?'',?regex=True,?inplace=True)

有時(shí)你可能會(huì)看到一行新的字符，或在字符串列中看到一些奇怪的符號(hào)。你可以很容易地使用 df['col_1'].replace 來處理該問題，其中「col_1」是數(shù)據(jù)幀 df 中的一列。

6. 刪除列中的空格

def?remove_col_white_space(df):
????#?remove?white?space?at?the?beginning?of?string?
????df[col]?=?df[col].str.lstrip()

當(dāng)數(shù)據(jù)十分混亂時(shí)，很多意想不到的情況都會(huì)發(fā)生。在字符串的開頭有一些空格是很常見的。因此，當(dāng)你想要?jiǎng)h除列中字符串開頭的空格時(shí)，這種方法很實(shí)用。

7. 將兩列字符串?dāng)?shù)據(jù)（在一定條件下）拼接起來

def?concat_col_str_condition(df):
????#?concat?2?columns?with?strings?if?the?last?3?letters?of?the?first?column?are?'pil'
????mask?=?df['col_1'].str.endswith('pil',?na=False)
????col_new?=?df[mask]['col_1']?+?df[mask]['col_2']
????col_new.replace('pil',?'?',?regex=True,?inplace=True)??#?replace?the?'pil'?with?emtpy?space

當(dāng)你希望在一定條件下將兩列字符串?dāng)?shù)據(jù)組合在一起時(shí)，這種方法很有用。例如，你希望當(dāng)?shù)谝涣幸阅承┨囟ǖ淖帜附Y(jié)尾時(shí)，將第一列和第二列數(shù)據(jù)拼接在一起。根據(jù)你的需要，還可以在拼接工作完成后將結(jié)尾的字母刪除掉。

8. 轉(zhuǎn)換時(shí)間戳（從字符串類型轉(zhuǎn)換為日期「DateTime」格式）

def?convert_str_datetime(df):?
????'''
????AIM????->?Convert?datetime(String)?to?datetime(format?we?want)

????INPUT??->?df

????OUTPUT?->?updated?df?with?new?datetime?format?
????------
????'''
????df.insert(loc=2,?column='timestamp',?value=pd.to_datetime(df.transdate,?format='%Y-%m-%d?%H:%M:%S.%f'))

在處理時(shí)間序列數(shù)據(jù)時(shí)，你可能會(huì)遇到字符串格式的時(shí)間戳列。這意味著我們可能不得不將字符串格式的數(shù)據(jù)轉(zhuǎn)換為根據(jù)我們的需求指定的日期「datetime」格式，以便使用這些數(shù)據(jù)進(jìn)行有意義的分析和展示。