8個(gè)Python數(shù)據(jù)清洗代碼，拿來(lái)即用
↑?關(guān)注 + 星標(biāo)?，每天學(xué)Python新技能
后臺(tái)回復(fù)【大禮包】送你Python自學(xué)大禮包 機(jī)器之心 編輯
大家好，我是龍哥！
不管你承不承認(rèn)，數(shù)據(jù)清洗著實(shí)不是一件簡(jiǎn)單的任務(wù)，大多數(shù)情況下這項(xiàng)工作是十分耗時(shí)而乏味的，但它又是十分重要的。
如果你經(jīng)歷過(guò)數(shù)據(jù)清洗的過(guò)程，你就會(huì)明白我的意思。而這正是撰寫這篇文章的目的——讓讀者更輕松地進(jìn)行數(shù)據(jù)清洗工作。
事實(shí)上，我在不久前意識(shí)到，在進(jìn)行數(shù)據(jù)清洗時(shí)，有一些數(shù)據(jù)具有相似的模式。也正是從那時(shí)起，我開(kāi)始整理并編譯了一些數(shù)據(jù)清洗代碼（見(jiàn)下文），我認(rèn)為這些代碼也適用于其它的常見(jiàn)場(chǎng)景。
由于這些常見(jiàn)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。
數(shù)據(jù)清洗小工具箱
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(wú)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(lái)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(lái)說(shuō)，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(lái)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(lái)處理該問(wèn)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(kāi)頭有一些空格是很常見(jiàn)的。因此，當(dāng)你想要?jiǎng)h除列中字符串開(kāi)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(lái)
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。
原文鏈接：https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38
推薦閱讀