Pandas數(shù)據(jù)預(yù)處理的10個小技能
數(shù)據(jù)預(yù)處理是數(shù)據(jù)分析的重要步驟，常用的處理包括找出異常值、處理缺失值、過濾不合適值、去掉重復(fù)行、分箱、分組、排名、category轉(zhuǎn)數(shù)值等。今天分享的這篇文章將介紹如何使用 pandas 解決這些最常見的預(yù)處理任務(wù)。
找出異常值常用兩種方法：
標(biāo)準(zhǔn)差法：異常值平均值上下1.96個標(biāo)準(zhǔn)差區(qū)間以外的值 分位數(shù)法：小于 1/4分位數(shù)減去 1/4和3/4分位數(shù)差的1.5倍，大于3/4減去 1/4和3/4分位數(shù)差的1.5倍，都為異常值
技能1 ：標(biāo)準(zhǔn)差法
import pandas as pd
df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]})
# 異常值平均值上下1.96個標(biāo)準(zhǔn)差區(qū)間以外的值
meangrade = df['a'].mean()
stdgrade = df['a'].std()
toprange = meangrade + stdgrade * 1.96
botrange = meangrade - stdgrade * 1.96
# 過濾區(qū)間外的值
copydf = df
copydf = copydf.drop(copydf[copydf['a']
> toprange].index)
copydf = copydf.drop(copydf[copydf['a']
< botrange].index)
copydf
技能2：分位數(shù)法
q1 = df['a'].quantile(.25)
q3 = df['a'].quantile(.75)
iqr = q3-q1
toprange = q3 + iqr * 1.5
botrange = q1 - iqr * 1.5
copydf = df
copydf = copydf.drop(copydf[copydf['a']
> toprange].index)
copydf = copydf.drop(copydf[copydf['a']
< botrange].index)
copydfnp.nan 是 pandas 中常見空值，使用 dropna 過濾空值，axis 0 表示按照行，1 表示按列，how 默認(rèn)為 any ，意思是只要有一個 nan 就過濾某行或某列，all 所有都為 nan
# axis 0 表示按照行，all 此行所有值都為 nan
df.dropna(axis=0, how='all')
技能4：充填空值
空值一般使用某個統(tǒng)計值填充，如平均數(shù)、眾數(shù)、中位數(shù)等，使用函數(shù) fillna:
# 使用a列平均數(shù)填充列的空值，inplace true表示就地填充
df["a"].fillna(df["a"].mean(), inplace=True)
技能5：修復(fù)不合適值
假如某門課最高分100，如果出現(xiàn) -2， 120 這樣的值，顯然不合理，使用布爾類型的Series對象修改數(shù)值：
df.loc[(df['a'] < -2,'a')] = 0
df.loc[(df['a'] >= 100,'a')] = 100
技能6：過濾重復(fù)值
過濾某列重復(fù)值，使用 drop_duplicated 方法，第一個參數(shù)為列名，keep關(guān)鍵字等于last：最后一次出現(xiàn)此值行：
df.drop_duplicates(['Names'], keep='last')
技能7：apply 元素級：去掉特殊字符
某列單元格含有特殊字符，如標(biāo)點符號，使用元素級操作方法 apply 干掉它們：
import string
exclude = set(string.punctuation)
def remove_punctuation(x):
x = ''.join(ch for ch in x if ch not in exclude)
return x
# 原df
Out[26]:
a b
0 c,d edc.rc
1 3 3
2 d ef 4
# 過濾a列標(biāo)點
In [27]: df.a = df.a.apply(remove_punctuation)
In [28]: df
Out[28]:
a b
0 cd edc.rc
1 3 3
2 d ef 4
技能8：cut 數(shù)據(jù)分箱
將百分制分?jǐn)?shù)轉(zhuǎn)為A,B,C,D四個等級，bins 被分為 [0,60,75,90,100]，labels 等于['D', 'C', 'B', 'A']：
# 生成20個[0,100]的隨機整數(shù)
In [30]: a = np.random.randint(1,100,20)
In [31]: a
Out[31]:
array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31, 5, 46, 98,99, 60, 43])
# cut分箱
In [33]: pd.cut(a, [0,60,75,90,100], labels = ['D', 'C', 'B', 'A'])
Out[33]:
[D, D, D, B, D, ..., D, A, A, D, D]
Length: 20
Categories (4, object): [D < C < B < A]
rank 方法，生成數(shù)值排名，ascending 為False，分值越大，排名越靠前：
In [36]: df = pd.DataFrame({'a':[46, 98,99, 60, 43]} ))
In [53]: df['a'].rank(ascending=False)
Out[53]:
0 4.0
1 2.0
2 1.0
3 3.0
4 5.0
技能10：category列轉(zhuǎn)數(shù)值
某列取值只可能為有限個枚舉值，往往需要轉(zhuǎn)為數(shù)值，使用get_dummies，或自己定義函數(shù)：
pd.get_dummies(df['a'])
自定義函數(shù)，結(jié)合 apply:
def c2n(x):
if x=='A':
return 95
if x=='B':
return 80
df['a'].apply(c2n)
以上就是利用 pandas 進行數(shù)據(jù)預(yù)處理的十個小任務(wù)。
如果文章對你有幫助，歡迎轉(zhuǎn)發(fā)/點贊/收藏~
作者：zhenguo
_往期文章推薦_