Python数据清洗

前言

Python实际针对数据分析的学习是库，用库来解决一系列的数据分析问题

去掉信息不全的用户

描述

现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：

• Nowcoder_ID：用户ID
• Level：等级
• Achievement_value：成就值
• Num_of_exercise：刷题量
• Graduate_year：毕业年份
• Language：常用语言
• Continuous_check_in_days：最近连续签到天数
• Number_of_submissions：提交代码次数
• Last_submission_time：最后一次提交题目日期

运营同学正在做用户调研，为了保证调研的可靠性，想要去掉那些信息不全的用户，即去掉有缺失数据的行，请你帮助他去掉后输出全部数据。

输入描述

数据集直接从当前目录下的Nowcoder.csv文件中读取。

输出描述：

直接输出清洗后的全部数据。

答案

import pandas as pd

Nowcoder = pd.read_csv('Nowcoder.csv', sep=',', dtype=object)
pd.set_option('display.width', 300)  # 设置字符显示宽度
pd.set_option('display.max_rows', None)  # 设置显示最大行
pd.set_option('display.max_columns', None)
print(Nowcoder[Nowcoder.isna() == False])

修补缺失的用户数据

描述

现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：

• Nowcoder_ID：用户ID
• Level：等级
• Achievement_value：成就值
• Num_of_exercise：刷题量
• Graduate_year：毕业年份
• Language：常用语言
• Continuous_check_in_days：最近连续签到天数
• Number_of_submissions：提交代码次数
• Last_submission_time：最后一次提交题目日期

运营同学拿到了这份用户文件，但是由于系统BUG，出现了部分缺失的值，请你使用当前的最大年份填充缺失的毕业年份（“Graduate_year”），用Python填充缺失的常用语言（“Language”），用成就值的均值（四舍五入保留整数）填充缺失的成就值（“Achievement_value”）。

输入描述

数据集直接从当前目录下的Nowcoder.csv文件中读取。

输出描述：

输出修改后的全部数据，不用处理输出时年份与成就值的小数点问题。

答案

import pandas as pd

Nowcoder = pd.read_csv('Nowcoder.csv', sep=',')
pd.set_option('display.width', 300)  # 设置字符显示宽度
pd.set_option('display.max_rows', None)  # 设置显示最大行
pd.set_option('display.max_columns', None)
Nowcoder["Graduate_year"].fillna(Nowcoder["Graduate_year"].max())
Nowcoder["Language"].fillna("Python")
Nowcoder["Achievement_value"].fillna(Nowcoder["Achievement_value"].mean().round(0))
print(Nowcoder)

解决牛客网用户重复的数据

描述

现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：

• Nowcoder_ID：用户ID
• Level：等级
• Achievement_value：成就值
• Num_of_exercise：刷题量
• Graduate_year：毕业年份
• Language：常用语言
• Continuous_check_in_days：最近连续签到天数
• Number_of_submissions：提交代码次数
• Last_submission_time：最后一次提交题目日期

牛牛拿到这份文件的时候一脸懵逼，因为系统错误将很多相同用户的数据输出了多条，导致文件中有很多重复的行，请先检查每一行是否重复，然后输出删除重复行后的全部数据。

输入描述

数据集直接从当前目录下的Nowcoder.csv文件中读取。

输出描述

先输出每一行是否重复，再输出去重后的文件全部数据

答案

import pandas as pd

Nowcoder = pd.read_csv('Nowcoder.csv', sep=',', dtype=object)
pd.set_option('display.width', 1000)
pd.set_option('display.max_rows', None)
print(Nowcoder.duplicated())
print(Nowcoder.drop_duplicates(0))

统一最后刷题日期的格式

描述

现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：

• Nowcoder_ID：用户ID
• Level：等级
• Achievement_value：成就值
• Num_of_exercise：刷题量
• Graduate_year：毕业年份
• Language：常用语言
• Continuous_check_in_days：最近连续签到天数
• Number_of_submissions：提交代码次数
• Last_submission_time：最后一次提交题目日期

运营同学发现最后一次提交题目日期这一列有各种各样的日期格式，这对于他分析用户十分不友好，你能够帮他输出用户ID、等级以及统一后的日期吗？（日期格式统一为yyyy-mm-dd）

输入描述

数据集直接从当前目录下的Nowcoder.csv文件中读取。

输出描述

输出用户ID、等级与最后提交日期三列，包括行号。

答案

import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv',sep=',',dtype=object)
Nowcoder['Last_submission_time'] = pd.to_datetime(Nowcoder["Last_submission_time"],format="%Y-%m-%d")
print(Nowcoder[['Nowcoder_ID','Level','Last_submission_time']])

将用户的json文件转换为表格形式

描述

现有一个Nowcoder.json文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：

• Nowcoder_ID：用户ID
• Level：等级
• Achievement_value：成就值
• Graduate_year：毕业年份
• Language：常用语言

如果你读入了这个json文件，能将其转换为pandas的DataFrame格式吗？

输入描述：

数据集直接从当前目录下的Nowcoder.json文件中读取。

输出描述：

输出转换为DataFrame的全部数据，包括行号。

答案

import pandas as pd
import json

pd.set_option('display.width', 300)  # 设置字符显示宽度
pd.set_option('display.max_rows', None)  # 设置显示最大行
pd.set_option('display.max_columns', None)
with open('Nowcoder.json', 'r') as f:
    data = json.loads(f.read())
     
    df = pd.DataFrame.from_dict(data)
    print(df)