python3常用的数据清洗方法 - 好文

首先载入各种包：
import pandas as pd import numpy as np from collections import Counter from
sklearnimport preprocessing from matplotlib import pyplot as plt %matplotlib
inlineimport seaborn as sns plt.rcParams['font.sans-serif'] = ['SimHei'] #
中文字体设置-黑体 plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
sns.set(font='SimHei') # 解决Seaborn中文显示问题
读入数据：这里数据是编造的
data=pd.read_excel('dummy.xlsx')
本案例的真实数据是这样的：

对数据进行多方位的查看：
实际情况中可能会有很多行，一般用head()看数据基本情况
data.head() #查看长啥样 data.shape #查看数据的行列大小 data.describe()

#列级别的判断,但凡某一列有null值或空的，则为真 data.isnull().any() #将列中为空或者null的个数统计出来，并将缺失值最多的排前
total = data.isnull().sum().sort_values(ascending=False) print(total) #输出百分比：
percent =(data.isnull().sum()/data.isnull().count()).sort_values(ascending=False
) missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
missing_data.head(20)

也可以从视觉上直观查看缺失值：
import missingno missingno.matrix(data) data=data.dropna(thresh=data.shape
[0]*0.5,axis=1) #至少有一半以上是非空的列筛选出来 #如果某一行全部都是na才删除： data.dropna(axis=0,how='all')

#默认情况下是只保留没有空值的行 data=data.dropna(axis=0)

#统计重复记录数 data.duplicated().sum() data.drop_duplicates()
对连续型数据和离散型数据分开处理：
data.columns #第一步，将整个data的连续型字段和离散型字段进行归类 id_col=['姓名'] cat_col=['学历','学校']
#这里是离散型无序，如果有序，请参考map用法，一些博客上有写 cont_col=['成绩','能力'] #这里是数值型 print
(data[cat_col])#这里是离散型的数据部分 print (data[cont_col])#这里是连续性数据部分
对于离散型部分：
#计算出现的频次 for i in cat_col: print (pd.Series(data[i]).value_counts()) plt.plot(
data[i])

#对于离散型数据，对其获取哑变量 dummies=pd.get_dummies(data[cat_col]) dummies

对于连续型部分：
#对于连续型数据的大概统计： data[cont_col].describe()
#对于连续型数据，看偏度，一般大于0.75的数值做一个log转化，使之尽量符合正态分布，因为很多模型的假设数据是服从正态分布的 skewed_feats =
data[cont_col].apply(lambda x: (x.dropna()).skew() )#compute skewness
skewed_feats = skewed_feats[skewed_feats > 0.75] skewed_feats =
skewed_feats.indexdata[skewed_feats] = np.log1p(data[skewed_feats]) skewed_feats
#对于连续型数据，对其进行标准化 scaled=preprocessing.scale(data[cont_col]) scaled=pd.DataFrame
(scaled,columns=cont_col)scaled

m=dummies.join(scaled) data_cleaned=data[id_col].join(m) data_cleaned

看变量之间的相关性：
data_cleaned.corr()

#以下是相关性的热力图，方便肉眼看 def corr_heat(df): dfData = abs(df.corr())
plt.subplots(figsize=(9, 9)) # 设置画面大小 sns.heatmap(dfData, annot=True, vmax=1,
square=True, cmap="Blues") # plt.savefig('./BluesStateRelation.png') plt.show()
corr_heat(data_cleaned)

如果有觉得相关性偏高的视情况删减某些变量。
#取出与某个变量（这里指能力）相关性最大的前四个，做出热点图表示 k = 4 #number of variables for heatmap cols =
corrmat.nlargest(k,'能力')['能力'].index cm = np.corrcoef(data_cleaned[cols].values
.T) sns.set(font_scale=1.25) hm = sns.heatmap(cm, cbar=True, annot=True,
square=True, fmt='.2f', annot_kws={'size': 10}, yticklabels=cols.values,
xticklabels=cols.values) plt.show()

热门工具换一换