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
Python文件夹与文件的操作实现代码
Jul 13 Python
Python 制作糗事百科爬虫实例
Sep 22 Python
Django跨域请求问题的解决方法示例
Jun 16 Python
python使用tornado实现登录和登出
Jul 28 Python
Python+threading模块对单个接口进行并发测试
Jun 25 Python
使用Pyinstaller转换.py文件为.exe可执行程序过程详解
Aug 06 Python
PIL对上传到Django的图片进行处理并保存的实例
Aug 07 Python
Django如何实现网站注册用户邮箱验证功能
Aug 14 Python
使用Fabric自动化部署Django项目的实现
Sep 27 Python
解决Python 异常TypeError: cannot concatenate 'str' and 'int' objects
Apr 08 Python
Python Json数据文件操作原理解析
May 09 Python
Python基于execjs运行js过程解析
Nov 27 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快速url重写更新版[需php 5.30以上]
2010/04/25 PHP
php启动时候提示PHP startup的解决方法
2013/05/07 PHP
php缩小png图片不损失透明色的解决方法
2013/12/25 PHP
php强制更新图片缓存的方法
2015/02/11 PHP
用javascript连接access数据库的方法
2006/11/17 Javascript
extjs 学习笔记(一) 一些基础知识
2009/10/13 Javascript
调试代码导致IE出错的避免方法
2014/04/04 Javascript
ie8下修改input的type属性报错的解决方法
2014/09/16 Javascript
JS实现的仿东京商城菜单、仿Win右键菜单及仿淘宝TAB特效合集
2015/09/28 Javascript
不想让浏览器运行javascript脚本的方法
2015/11/20 Javascript
jQuery实现form表单基于ajax无刷新提交方法详解
2015/12/08 Javascript
Javascript中判断一个值是否为undefined的方法详解
2016/09/28 Javascript
Vue.js组件tab实现选项卡切换
2020/03/23 Javascript
bootstrap 弹出框modal添加垂直方向滚轴效果
2018/07/09 Javascript
对vue中methods互相调用的方法详解
2018/08/30 Javascript
vue2过滤器模糊查询方法
2018/09/16 Javascript
vue项目里面引用svg文件并给svg里面的元素赋值
2020/08/17 Javascript
python实现从ftp服务器下载文件的方法
2015/04/30 Python
Python简单实现两个任意字符串乘积的方法示例
2018/04/12 Python
对django2.0 关联表的必填on_delete参数的含义解析
2019/08/09 Python
详解用python计算阶乘的几种方法
2019/08/14 Python
python使用 cx_Oracle 模块进行查询操作示例
2019/11/28 Python
解决pycharm最左侧Tool Buttons显示不全的问题
2019/12/17 Python
matplotlib.pyplot.matshow 矩阵可视化实例
2020/06/16 Python
新西兰领先的内衣店:Bendon Lingerie新西兰
2018/07/11 全球购物
三星新西兰官网:Samsung新西兰
2019/03/05 全球购物
巴西美妆购物网站:Kutiz Beauté
2019/03/13 全球购物
美国在线纱线商店:Darn Good Yarn
2019/03/20 全球购物
美国美食礼品篮网站:Gourmet Gift Baskets
2019/12/15 全球购物
大三学生入党思想汇报
2014/01/02 职场文书
幼师求职自荐信范文
2014/01/26 职场文书
《长相思》听课反思
2014/04/10 职场文书
无刑事犯罪记录证明
2014/09/18 职场文书
机关党员三严三实心得体会
2014/10/13 职场文书
大学毕业生自我评价
2015/03/02 职场文书
祝福语集锦:给百岁老人祝寿贺词
2019/11/19 职场文书