8段用于数据清洗Python代码(小结)


Posted in Python onOctober 31, 2019

最近,大数据工程师Kin Lim Lee在Medium上发表了一篇文章,介绍了8个用于数据清洗的Python代码。

数据清洗,是进行数据分析和使用数据训练模型的必经之路,也是最耗费数据科学家/程序员精力的地方。

这些用于数据清洗的代码有两个优点:一是由函数编写而成,不用改参数就可以直接使用。二是非常简单,加上注释最长的也不过11行。在介绍每一段代码时,Lee都给出了用途,也在代码中也给出注释。大家可以把这篇文章收藏起来,当做工具箱使用。

涵盖8大场景的数据清洗代码

这些数据清洗代码,一共涵盖8个场景,分别是:

删除多列、更改数据类型、将分类变量转换为数字变量、检查缺失数据、删除列中的字符串、删除列中的空格、用字符串连接两列(带条件)、转换时间戳(从字符串到日期时间格式)

删除多列

在进行数据分析时,并非所有的列都有用,用df.drop可以方便地删除你指定的列。

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

转换数据类型

当数据集变大时,需要转换数据类型来节省内存。

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 )

将分类变量转换为数值变量

一些机器学习模型要求变量采用数值格式。这需要先将分类变量转换为数值变量。同时,你也可以保留分类变量,以便进行数据可视化。

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)

检查缺失数据

如果你要检查每列缺失数据的数量,使用下列代码是最快的方法。可以让你更好地了解哪些列缺失的数据更多,从而确定怎么进行下一步的数据清洗和分析操作。

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)

删除列中的字符串

有时候,会有新的字符或者其他奇怪的符号出现在字符串列中,这可以使用df[‘col_1'].replace很简单地把它们处理掉。

def remove_col_str(df):
  # remove a portion of string in a dataframe column - col_1
  df[ col_1 ].replace(, , regex=True, inplace=True)

  # remove all the characters after &# (including &#) for column - col_1
  df[ col_1 ].replace( &#.* , , regex=True, inplace=True)

删除列中的空格

数据混乱的时候,什么情况都有可能发生。字符串开头经常会有一些空格。在删除列中字符串开头的空格时,下面的代码非常有用。

def remove_col_white_space(df):
  # remove white space at the beginning of string 
  df[col] = df[col].str.lstrip()

用字符串连接两列(带条件)

当你想要有条件地用字符串将两列连接在一起时,这段代码很有帮助。比如,你可以在第一列结尾处设定某些字母,然后用它们与第二列连接在一起。根据需要,结尾处的字母也可以在连接完成后删除。

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

转换时间戳(从字符串到日期时间格式)

在处理时间序列数据时,我们很可能会遇到字符串格式的时间戳列。这意味着要将字符串格式转换为日期时间格式(或者其他根据我们的需求指定的格式) ,以便对数据进行有意义的分析。

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

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
PyQt5每天必学之弹出消息框
Apr 19 Python
PyQT实现多窗口切换
Apr 20 Python
Python实现按当前日期(年、月、日)创建多级目录的方法
Apr 26 Python
Pandas:DataFrame对象的基础操作方法
Jun 07 Python
python 字典 按key值大小 倒序取值的实例
Jul 06 Python
python和opencv实现抠图
Jul 18 Python
详解django自定义中间件处理
Nov 21 Python
Python实现定时执行任务的三种方式简单示例
Mar 30 Python
Windows系统Python直接调用C++ DLL的方法
Aug 01 Python
python GUI库图形界面开发之PyQt5滑块条控件QSlider详细使用方法与实例
Feb 28 Python
Keras之fit_generator与train_on_batch用法
Jun 17 Python
python 下载文件的多种方法汇总
Nov 17 Python
利用Python绘制有趣的万圣节南瓜怪效果
Oct 31 #Python
python实现大量图片重命名
Mar 23 #Python
python3图片文件批量重命名处理
Oct 31 #Python
Django1.11自带分页器paginator的使用方法
Oct 31 #Python
python实现批量文件重命名
Oct 31 #Python
Python使用matplotlib 画矩形的三种方式分析
Oct 31 #Python
python实现操作文件(文件夹)
Oct 31 #Python
You might like
在PHP中利用XML技术构造远程服务(上)
2006/10/09 PHP
PHP中cookies使用指南
2007/03/16 PHP
用来给图片加水印的PHP类
2008/04/09 PHP
php 阴历-农历-转换类代码
2012/01/16 PHP
PHP模拟登陆163邮箱发邮件及获取通讯录列表的方法
2015/03/07 PHP
PHP使用strtotime获取上个月、下个月、本月的日期
2015/12/30 PHP
php版微信公众账号第三方管理工具开发简明教程
2016/09/23 PHP
php封装json通信接口详解及实例
2017/03/07 PHP
nicejforms——美化表单不用愁
2007/02/20 Javascript
jQuery使用手册之二 DOM操作
2007/03/24 Javascript
用javascript控制iframe滚动的代码
2007/04/10 Javascript
javascript实现面向对象类的功能书写技巧
2010/03/07 Javascript
js parentElement和offsetParent之间的区别
2010/03/23 Javascript
jQuery select操作控制方法小结
2010/05/26 Javascript
javascript getElementsByTagName
2011/01/31 Javascript
Jquery中对数组的操作代码
2011/08/12 Javascript
jQuery简单实现banner图片切换
2014/01/02 Javascript
javascript读取Xml文件做一个二级联动菜单示例
2014/03/17 Javascript
JavaScript设计模式之工厂模式和构造器模式
2015/02/11 Javascript
jQuery实现点击弹出背景变暗遮罩效果实例代码
2016/06/24 Javascript
Vue.set()动态的新增与修改数据,触发视图更新的方法
2018/09/15 Javascript
js实现整体缩放页面适配移动端
2020/03/31 Javascript
JavaScript中变量提升和函数提升的详解
2020/08/07 Javascript
[01:28:44]DOTA2-DPC中国联赛定级赛 RNG vs iG BO3第一场 1月10日
2021/03/11 DOTA
Python第三方库的安装方法总结
2016/06/06 Python
python list排序的两种方法及实例讲解
2017/03/20 Python
Python实现Pig Latin小游戏实例代码
2018/02/02 Python
Python即时网络爬虫项目启动说明详解
2018/02/23 Python
Python浅复制中对象生存周期实例分析
2018/04/02 Python
Python3爬虫之urllib携带cookie爬取网页的方法
2018/12/28 Python
如何在python中实现线性回归
2020/08/10 Python
班级活动策划书
2014/02/06 职场文书
综合素质自我评价怎么写
2014/09/14 职场文书
使用Navicat Premium工具将oracle数据库迁移到MySQL
2021/05/27 Oracle
六个好看实用的 HTML + CSS 后台登录入口页面
2022/04/28 HTML / CSS
Go web入门Go pongo2模板引擎
2022/05/20 Golang