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
使用Python判断质数(素数)的简单方法讲解
May 05 Python
python3+PyQt5实现自定义流体混合窗口部件
Apr 24 Python
python tornado微信开发入门代码
Aug 24 Python
Python产生Gnuplot绘图数据的方法
Nov 09 Python
使用Python和Scribus创建一个RGB立方体的方法
Jul 17 Python
Python 正则表达式爬虫使用案例解析
Sep 23 Python
PyTorch中的Variable变量详解
Jan 07 Python
Python中and和or如何使用
May 28 Python
Python尾递归优化实现代码及原理详解
Oct 09 Python
Python的这些库,你知道多少?
Jun 09 Python
python可视化之颜色映射详解
Sep 15 Python
Python os和os.path模块详情
Apr 02 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
PHP防止跨域提交表单
2013/11/01 PHP
php析构函数的简单使用说明
2015/08/24 PHP
php数据库的增删改查 php与javascript之间的交互
2017/08/31 PHP
PHP实现负载均衡下的session共用功能
2018/04/17 PHP
PHP 超级全局变量相关总结
2020/06/30 PHP
baidu博客的编辑友情链接的新的层窗口!经典~支持【FF】
2007/02/09 Javascript
JavaScript-世界上误解最深的语言分析
2007/08/12 Javascript
asp批量修改记录的代码
2008/06/25 Javascript
ExtJS 学习专题(一) 如何应用ExtJS(附实例)
2010/03/11 Javascript
js定义对象或数组直接量时各浏览器对多余逗号的处理(json)
2011/03/05 Javascript
JQuery记住用户名和密码的具体实现
2014/04/04 Javascript
基于NodeJS的前后端分离的思考与实践(四)安全问题解决方案
2014/09/26 NodeJs
JavaScript中Cookie操作实例
2015/01/09 Javascript
js事件监听器用法实例详解
2015/06/01 Javascript
jQuery实现提示密码强度的代码
2015/07/15 Javascript
jQuery添加删除DOM元素方法详解
2016/01/18 Javascript
BootStrap点击下拉菜单项后显示一个新的输入框实现代码
2016/05/16 Javascript
深入浅析JavaScript中的arguments对象(强力推荐)
2016/06/03 Javascript
BootStrap下拉框在firefox浏览器界面不友好的解决方案
2016/08/18 Javascript
JS之相等操作符详解
2016/09/13 Javascript
vue中SPA单页面应用程序详解
2017/11/07 Javascript
vue实现城市列表选择功能
2018/07/16 Javascript
Vuex 使用 v-model 配合 state的方法
2018/11/13 Javascript
vue使用高德地图点击下钻上浮效果的实现思路
2019/10/12 Javascript
pyramid配置session的方法教程
2013/11/27 Python
利用python实现.dcm格式图像转为.jpg格式
2020/01/13 Python
经典c++面试题三
2015/07/08 面试题
公司年会晚宴演讲稿
2014/01/06 职场文书
记帐员岗位责任制
2014/02/08 职场文书
保险公司早会主持词
2014/03/22 职场文书
数学教育专业求职信
2014/07/22 职场文书
2014年学生会干事工作总结
2014/11/07 职场文书
2014年文明创建工作总结
2014/11/25 职场文书
高三复习计划
2015/01/19 职场文书
小学运动会入场词
2015/07/18 职场文书
mysql查询结果实现多列拼接查询
2022/04/03 MySQL