pandas数据清洗

时间:2022-09-28 阡之尘埃人气:0

前言

pandas对大数据有很多便捷的清洗用法，尤其针对缺失值和重复值。缺失值就不用说了，会影响计算，重复值有时候可能并未带来新的信息反而增加了计算量，所以有时候要进行处理。针对一些文本数据可能不合要求的还要进行替换什么的。

首先导入包：

import numpy as np 
import pandas as pd

缺失值处理

'''一般使用特殊类型 NaN 代表缺失值，可以用 Numpy 可定义它np.NaN/np.nan。在 Pandas 1.0 以后实验性地使用一个标量 pd.NA 来代表。
如果想把正负无穷也为认是缺失值，可以通过以下全局配置来设定：'''

pandas.options.mode.use_inf_as_na = True
#以下数据 NaN 为缺失值：
df=(pd.DataFrame(np.random.randn(5, 3),index=['a', 'c', 'e', 'f', 'h'], columns=['one', 'two', 'three'])
.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h']))
df

缺失值的判断

#可以判断是否缺失值，DataFrame 和 Series 一般都支持。：

# 不是缺失值
df.one.notna()

df.isna()  # 是缺失值

df[df.one.notna()]# 进行筛选

#需要注意的是，Numpy 中 np.nan 和 np.nan 不相等，因此不能用 ==/!= 进行对比：
None == None       # noqa: E711  # True
np.nan == np.nan   # False 
None == np.nan     # False

其他方法：

df.notna()
df['team'].isna()
df['team'].isnull()

缺失值统计

df.isnull().sum()#计算每列缺失值个数
df.isnull().sum(1)#计算每行缺失值个数
df.isnull().sum().sum()#总共缺失值个数

缺失值筛选

df.loc[df.isna().any(1)]#   有缺失值的行
df.loc[:,df.isna().any()] # 有缺失值的列
df.loc[~(df.isna().any(1))]  # 没有缺失值的行
df.loc[:,~(df.isna().any())] # 没有缺失值的列

缺失值类型

#时间中的缺失值
#对于时间中的缺失值，Pandas 提供了一个 NaT 来表示，并且 NaT 和 NaN 之间是兼容的：
df['timestamp'] = pd.Timestamp('20120101')
df.loc[['a', 'c', 'h'], ['one', 'timestamp']] = np.nan
df.timestamp

#整型中的缺失值，由于 NaN 是浮点型，因此一列甚至缺少一个整数的整数列都将转换为浮点。

pd.Series([1, 2, np.nan, 4], dtype=pd.Int64Dtype())

插入缺失值

 #可以使用 None 等方法将内容修改为缺失值：
s.loc[0] = None
s.loc[1] = np.nan
df.two = pd.NA

缺失值填充

首先生成案例数据：

df = pd.DataFrame([[np.nan, 2, np.nan, 0],
                   [3, 4, np.nan, 1],
                   [np.nan, np.nan, np.nan, 5],
                   [np.nan, 3, np.nan, 4]],
                  columns=list('ABCD'))
df

fillna(x) 可以将缺失值填充指定的值。以下为几种常见的填充方法：

df.fillna(0)# 填充为 0
# 填充为指定字符
df.fillna('missing')
df.fillna('暂无')
df.fillna('待补充')
 
df.one.fillna('暂无')   # 指定字段填充
df.one.fillna(0, inplace=Ture)    # 使填充内容生效
df.fillna(0, limit=1)   # 只替换第一个
values = {'A': 0, 'B': 1, 'C': 2, 'D': 3}  # 不同列替换不同的值
df.fillna(value=values)

不指定值，使用一定的方法。

#使用 method{‘backfill', ‘bfill', ‘pad', ‘ffill', None}, default None
df.fillna(method='backfill')# 使用上一个有效值填充
df.fillna(method='bfill')# 同 backfill
df.fillna(method='pad')# 把当前值广播到后边的缺失值
df.fillna(method='ffill')# 同 pad
#fillna(method='ffill') 可以简写为 ffill() ， fillna(method='bfill') 可以简写为 bfill()

使用计算值填充：

# 填充列的平均值
df.fillna(df.mean())
# 对指定列填充平均值
df.fillna(df.mean()['B':'C'])
# 填充列的平均值，另外一个方法
df.where(pd.notna(df), df.mean(), axis='columns')
 
#特别的计算：
# 第一个非空值
df.fillna(method='bfill').head(1).iloc[0]
# 第一个非空值索引
df.notna().idxmax()
df.apply(pd.Series.first_valid_index)

插值填充

插值方式，以下是一个非常简单的示例，其中一个值是缺失的，我们对它进行差值：

s = pd.Series([0, 1,4,9, np.nan, 25])
s.interpolate()

9和25之间的中间点为17，就把缺失值补为了17，这是线性插值。

s.interpolate(method='spline',order=2)

这是二级多项式插值。用X^2这个函数去插值的，

interpolate() 的具体参数

'''默认linear 方法，会认为是一条直线。

计算方法：

默认 method=‘linear’ 如果你的数据增长速率越来越快，可以选择 method='quadratic' 二次插值。如果数据集呈现出累计分布的样子，
推荐选择 method='pchip'。如果需要填补缺省值，以平滑绘图为目标，推荐选择 method='akima'。method='akima' 和 method = ‘pchip’，
需要你的环境中安装了 Scipy 库。除此之外，method='barycentric' 和 method='pchip' 同样也需要 Scipy 才能使用。

使用插值方法，可为：

linear：线性，忽略索引，并将值等距地对待，这是MultiIndexes支持的唯一方法
time：时间，以插值给定的时间间隔长度处理每日或更高粒度的数据
index, values：索引，值，使用索引的实际数值
pad：使用现有值填写NaN。
‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’：
传递给 scipy.interpolate.interp1d，这些方法使用索引的数值。 ‘polynomial’ 和 ‘spline’ 都要求您还指定一个顺序(int)，
例如 df.interpolate(method='polynomial'，order=5)
- nearest：最近
- zero：零
- slinear：线性
- quadratic：二次方
- cubic：立方
- spline：花键，样条插值
- barycentric：重心插值
- polynomial：多项式
- ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’: SciPy 类似名称的插值方法。
- krogh: 克罗格插值
- piecewise_polynomial: 分段多项式
- spline: 样条插值
- pchip: 立方插值 (累计分布)
- akima: 阿克玛插值（平滑绘图）
from_derivatives：指 scipy.interpolate.BPoly.from_derivatives，它替换了 scipy 0.18 中的 piecewise_polynomial 插值方法。

其他参数：

axis: 插值应用的轴方向，可选择 {0 or ‘index’, 1 or ‘columns’, None}, 默认为 None
limitint: 要填充的连续 NaN 的最大数量，必须大于 0。
inplace: 是否将最终结果替换原数据，默认为 False
limit_direction: 限制方向，可传入 {‘forward’, ‘backward’, ‘both’}, 默认 ‘forward’，如果指定了限制，则将沿该方向填充连续的 NaN
limit_area: 限制区域，可传入 {None, ‘inside’, ‘outside’}, 默认 None，如果指定了限制，则连续的NaN将被此限制填充
None: 没有填充限制
‘inside’: 仅填充有效值包围的NaN（内插）
‘outside’: 仅将NaN填充到有效值之外（外推）
downcast: 可传入‘infer’ 或者 None, 默认是 None，如果可以向下转换 dtypes
**kwargs: 传递给插值函数的关键字参数 '''

缺失值删除

生成案例数据：

#一般删除会针对行进行，如一行中有缺失值就会删除，当然也会有针对列的。
df = pd.DataFrame({"name": ['Alfred', 'Batman', 'Catwoman'],
                   "toy": [np.nan, 'Batmobile', 'Bullwhip'],
                   "born": [pd.NaT, pd.Timestamp("1940-04-25"),
                            pd.NaT]})
df

缺失值删除 dropna

# 删除所有有缺失值的行(有一个缺失就删除)
df.dropna()
# 删除所有有缺失值的列
df.dropna(axis='columns')
df.dropna(axis=1)
# 删除所有值都缺失的行
df.dropna(how='all')
# 不足2个非空值时删除
df.dropna(thresh=2)
# 指定判断缺失值的列范围
df.dropna(subset=['name', 'born'])
# 使删除和的结果生效
df.dropna(inplace=True)
# 指定列的缺失值删除
df.toy.dropna()

重复值处理

重复值的寻找主要使用duplicated，语法为：

df.duplicated(subset=None, keep='first')

'''可以返回表示重复行的布尔系列，可以指定列。keep参数确定要标记的重复项（如果有），选项有：

first：将除第一次出现的重复值标记为True，默认。
last：将除最后一次出现的重复值标记为True。
False：将所有重复值标记为True。'''

生成案例数据：

df = pd.DataFrame({'brand': ['Yum Yum', 'Yum Yum', 'Indomie', 'Indomie', 'Indomie'],
                   'style': ['cup', 'cup', 'cup', 'pack', 'pack'],
                   'rating': [4, 4, 3.5, 15, 5] })
df

重复值查找

#默认情况下，对于每组重复的值，第一次出现都设置为False，所有其他值设置为True。

df.duplicated()

通过使用“ last”，将每组重复值的最后一次出现设置为False，将所有其他重复值设置为True。

df.duplicated(keep='last')

#通过将keep设置为False，所有重复项都为True。

df.duplicated(keep='last')

要在特定列上查找重复项，请使用子集。

df.duplicated(keep=False)

删除重复值

'''删除重复值的语法为：

df.drop_duplicates(subset=None,
                   keep='first',
                   inplace=False,
                   ignore_index=False)

subset指定的标签或标签序列可选，仅删除某些列重复项，默认情况为使用所有列，其他有：

keep：确定要保留的重复项（如果有）
first : 保留第一次出现的重复项，默认
last : 保留最后一次出现的重复项。
False : 删除所有重复项
inplac：False，是将副本放置在适当位置还是返回副本
ignore_inde：如果为True, 则重新分配自然索引（0, 1, …, n - 1）'''

df.drop_duplicates()

#默认情况下，它将基于所有列删除重复的行。

df.drop_duplicates(subset=['brand'])

#要删除特定列上的重复项，使用子集

df.drop_duplicates(subset=['brand', 'style'], keep='last')

#删除重复项并保留最后一次出现，请使用keep。

drop删除数据

语法

df.drop(labels=None,axis=0,index=None,columns=None,level=None,inplace=False,errors='raise')

labels表示要删除的行或者列，多个可以传入列表：

axis：表示轴方向，默认0（行）
index：指定一行或多行
columns：指定列
level：指定多层索引
inplace：立即修改

df.drop([2,4])#删除指定行

df.drop(['brand','rating'],axis=1)#删除指定列
df.drop(columns=['brand','rating'])#同上

数据替换replace

有时候想把数据替换为指定的值，空值缺失值都可以替换

#指定值替换，以下是在 Series 中将 0 替换为 5：
ser = pd.Series([0., 1., 2., 3., 4.])
ser.replace(0, 5)
 
#也可以批量替换：
# 一一对应进行替换
ser.replace([0, 1, 2, 3, 4], [4, 3, 2, 1, 0])
# 用字典映射对应替换值
ser.replace({0: 10, 1: 100})
# 将 a 列的 0 b 列中的 5 替换为 100
df.replace({'a': 0, 'b': 5}, 100)
#  指定列里的替换规划
df.replace({'a': {0: 100, 4: 400}})

除了给定指定值进行替换，我们还可以指定一些替换的方法：

# 将 1，2，3 替换为它们前一个值（0）
ser.replace([1, 2, 3], method='pad') # ffill 是它同义词
# 将 1，2，3 替换为它们后一个值（4）
ser.replace([1, 2, 3], method='bfill')

字符替换

#如果遇到字符比较复杂的内容，就是使用正则（默认没有开启）进行匹配：
 
# 把 bat 替换为 new
df.replace(to_replace='bat', value='new')
# 利用正则将 ba 开头的替换为 new
df.replace(to_replace=r'^ba.$', value='new', regex=True)
# 如果多列规则不一的情况下可以按以下格式对应传入
df.replace({'A': r'^ba.$'}, {'A': 'new'}, regex=True)
# 多个规则替换为同一个值
df.replace(regex=[r'^ba.$', 'foo'], value='new')
# 直接多个正则及对应的替换内容
df.replace(regex={r'^ba.$': 'new', 'foo': 'xyz'})

缺失值替换

替换可以处理缺失值相关的问题，如我们可以将无效的值先替换为 nan，再做缺失值处理：
生成案例数据‘

d = {'a': list(range(4)),
     'b': list('ab..'),
     'c': ['a', 'b', np.nan, 'd']}
df = pd.DataFrame(d)
df

一些用法:

# 将.替换为 nan，（也可以替换为 None）
df.replace('.', np.nan)
# 使用正则，将空格和点等替换为 nan
df.replace(r'\s*\.\s*', np.nan, regex=True)
# 对应替换，a 换 b, 点换 nan
df.replace(['a', '.'], ['b', np.nan])
# 点换 dot, a 换 astuff  (第一位+)
df.replace([r'\.', r'(a)'], ['dot', r'\1stuff'], regex=True)
 
# b 中的点要替换，替换为 b 替换规则为 nan，可以多列
df.replace({'b': '.'}, {'b': np.nan})
# 使用正则
df.replace({'b': r'\s*\.\s*'}, {'b': np.nan}, regex=True)
# b列的 b 值换为空
df.replace({'b': {'b': r''}}, regex=True)
# b 列的点空格等换 nan
df.replace(regex={'b': {r'\s*\.\s*': np.nan}})
# b列点等+ty
df.replace({'b': r'\s*(\.)\s*'},
           {'b': r'\1ty'},regex=True)
# 多个正则规则(a,b,. 都换为缺失)
df.replace([r'\s*\.\s*', r'a|b'], np.nan, regex=True)
# 用参数名传参
df.replace(regex=[r'\s*\.\s*', r'a|b'], value=np.nan)

数字替换

生成数据:

df = pd.DataFrame(np.random.randn(5, 2))
df[np.random.rand(df.shape[0]) > 0.5] = 1.5
df

# 将 1.5 替换为 nan
df.replace(1.5, np.nan)
# 将1.5换为 nan, 同时于左上角的值换为 a
df.replace([1.5, df.iloc[0, 0]], [np.nan, 'a'])
# 使替换生效
df.replace(1.5, np.nan, inplace=True)

数据裁剪df.clip()

#对一些极端值，如过大或者过小，可以使用 df.clip(lower, upper) 来修剪，当数据大于 upper 时，使用 upper 的值，
#小于 lower 时用 lower 的值，就像 numpy.clip 方法一样。

df = pd.DataFrame({'a': [-1, 2, 5], 'b': [6, 1, -3]})
df

修剪成最大为3最小为0

df.clip(0,3)

用来处理数据里面的异常值什么的还是很方便的。

加载全部内容