Python数据分析之数据预处理（数据清洗、数据合并、数据重塑、数据转换）学习笔记_数据衍生 数据转换 数据清洗

1. 数据清洗

1.1 空值和缺失值的处理

​ 空值一般表示数据未知、不适用或将在以后添加数据。缺失值是指数据集中某个或某些属性的值是不完整的。

​ 一般空值使用None表示，缺失值使用NaN表示

1.1.1 使用isnull()和notnull()函数

​ 可以判断数据集中是否存在空值和缺失值

1.1.1.1 isnull()语法格式：

pandas . isnull(obj)

1.1.1.2 notnull()语法格式：

pandas . notnull(obj)

​ notnull()与 isnull()函数的功能是一样的，都可以判断数据中是否存在空值或缺失值，不同处在于，前者发现数据中有空值或缺失值时返回False，后者返回的是True.

1.1.2 使用 dropna()和fillna()方法

​ 对缺失值进行删除和填充。

1.1.2.1 dropna()删除含有空值或缺失值的行或列

​ axis：确定过滤行或列

​ how：确定过滤的标准，默认是‘any’

​ inplase:：False=不修改对象本身

1.1.2.2 fillna()方法可以实现填充空值或者缺失值

​ value：用于填充的数值，
​ method：表示填充方式，默认值为None，‘ffill’前填充，‘bfill’后填充
​ limit：可以连续填充的最大数量，默认None.

1.2 重复值的处理

​ 当数据中出现了重复值，在大多数情况下需要进行删除。

1.2.1 使用duplicated()和drop_duplicates()方法

​ duplicated()方法用于标记是否有重复值。
​ drop_duplicates()方法用于删除重复值。
​ 它们的判断标准是一样的，即只要两条数中所有条目的值完全相等，就判断为重复值。

1.2.2 duplicated()方法的语法格式

​ subset：用于识别重复的列标签或列标签序列，默认识别所有的列标签。
​ keep：删除重复项并保留第一次出现的项取值可以为 first、last或 False

​ duplicated()方法用于标记 Pandas对象的数据是否重复，重复则标记为True，不重复则标记为False，所以该方法返回一个由布尔值组成的Series对象，它的行索引保持不变，数据则变为标记的布尔值

强调注意：

​ （1）只有数据表中两个条目间所有列的内容都相等时，duplicated()方法才会判断为重复值。
​ （2）duplicated()方法支持从前向后（ first）和从后向前（last）两种重复值查找模式，默认是从前向后查找判断重复值的。换句话说，就是将后出现的相同条目判断为重复值。

1.2.2.1 drop_duplicates()方法的语法格式

2 上述方法中， inplace参数接收一个布尔类型的值，表示是否替换原来的数据，默认为False.

1.3 异常值的处理

​ 异常值是指样本中的个别值，其数值明显偏离它所属样本的其余观测值，这些数值是不合理的或错误的。

1.3.1 常用的检测方法有3σ原则（拉依达准则）和箱形图

​ 3σ原则是基于正态分布的数据检洳而箱形图没有什么严格的要求，可以检测任意一组数据，

1.3.1.1 3σ原则

​ 是指假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，凡是超过这个区间的误差都是粗大误差，在此误差的范围内的数据应予以剔除。

​ 数值几乎全部集中在（μ-3σ，μ+3σ）]区间内，超出这个范围的可能性仅占不到0.3%.所以，凡是误差超过这个区间的就属于异常值，应予以剔除

def three_sidma(ser):# ser 为数据的列
    mean_value=ser.mean()# 平均值
    std_value=ser.std()# 标准值
    rule=(ser<mean_value-3*std_value)|(ser>mean_value+3*std_value)
    index=np.arange(ser.shape[0])[rule]
    outrange=ser.iloc[index]
    return outrange
1
2
3
4
5
6
7
'
运行
运行

1.3.1.2 箱形图

​ 箱开图是一种用作显示一组数据分散情况的统计图。在箱形图中，异常值通常被定义为小于QL-15QR或大于QU+1.5IQR的值。
​ （1）QL称为下四分位数，表示全部观察中四分之一的数据取值比它小
​ （2）QU称为上四分位数，表示全部观察值中有四分之一的数据取值比它大
​ （3）IQR称为四分位数间距，是上四分位数0与下四分位数则之差，其间包含了全部观察值的一半。

​ 离散点表示的是异常值，上界表示除异常值以外数据中最大值；下界表示除异常值以外数据中最小值。

boxplot()方法，专门用来绘制箱形图。

---

​ 检测出异常值后，通常会采用如下四种方式处理这些异常值
​ a）直接将含有异常值的记录删除。
​ b）用具体的值来进行替换，可用前后两个观测值的平均值修正该异常值
​ c）不处理，直接在具有异常值的数据集上进行统计分析
​ d）视为缺失值，利用缺失值的处理方法修正该异常值。

​ 如果希望对异常值进行修改，则可以使用replace()方法进行替换，该方法不仅可以对单个数据进行替换，也可以多个数据执行批量替换操作。

​ to_replace：表示查找被替换值的方式
​ value：用来替换任何匹配 to_replace的值，默认值None.

1.4 更改数据类型

​ 在处理数据时，可能会遇到数据类型不一致的问题。例如，通过爬虫采集到的数据都是整型的数据，在使用数据时希望保留两位小数点，这时就需要将数据的类型转换成浮点型。

​ 创建 Pandas数据对象时，如果没有明确地指出数据的类型，则可以根据传入的数据推断出来并且通过 dtypes属性进行查看。

1.4.1 在使用构造方法中的 dtype参数指定数据类型

1.4.2 通过 astype()方法可以强制转换数据的类型。

​ dtype：表示数据的类型。
​ errors：错误采取的处理方式，可以取值为 raise或 ignore.其中， raise表示允许引发异常ignore表示抑制异常，默认为 raise.

​ astype()方法存在着一些局限性，只要待转换的数据中存在非数字以外的字符，在使用 astype()方法进行类型转换时就会出现错误，而to_numeric()函数的出现正好解决了这个问题。

1.4.3 to_numeric()函数可以将传入的参数转换为数值类型。

arg：表示要转换的数据，可以是list、tuple、 Series.
errors：表示错误采取的处理方式。

2. 数据合并

2.1轴向堆叠数据

2.1.1 concat()函数

​ concat()函数可以沿着一条轴将多个对象进行堆叠，其使用方式类似数据库中的数据表合并。

axis：表示连接的轴向，可以为0或1，默认为0
join：表示连接的方式，inner表示内连接， outer表示外连接默认使用外连接。
i gnore_index：如果设置为True，清除现有索引并重置索引值。
names：结果分层索引中的层级的名称。

​ 根据轴方向的不同，可以将堆叠分成横向堆叠与纵向堆叠，默认采用的是纵向堆叠方式。

​ 在堆叠数据时，默认采用的是外连接（join参数设为 outer）的方式进行合并，当然也可以通过join=inner设置为内连接的方式。

2.2 主键合并数据

​ 主键合并类似于关系型数据库的连接方式，它是指根据个或多个键将不同的 DataFrame对象连接起来，大多数是将两个 DataFrame对象中重叠的列作为合并的键。

2.2.1 merge()函数

left：参与合并的左侧 DataFrame对象。
right：参与合并的右侧 DataFrame对象。
how：表示连接方式，默认为 inner。

2.2.1.1 how参数可以取下列值

left：使用左侧的 DataFrame的键，类似SQL的左外连接
right：使用右侧的 DataFrame的键，类似SQL的右外连接
outer：使用两个 DataFrame所有的键，类似SQL的全连接。
inner：使用两个 DataFrame键的交集，类似SQL的内连接

​ 在使用 merge()函数进行合并时，默认会使用重叠的列索引做为合并键，并采用内连接方式合并数据，即取行索引重叠的部分。

​ merge()函数还支持对含有多个重叠列的 Data frame对象进行合并。

​ 使用外连接的方式将 left与right进行合并时，列中相同的数据会重叠，没有数据的位置使用NaN进行填充。

2.3 根据行索引合并数据

​ join()方法能够通过索引或指定列来连接多个DataFrame对象

2.3.1 join()方法

on：名称，用于连接列名。
how：可以从{‘left‘，’right’，’ outer‘，‘inner’}中任选一个，默认使用左连接的方式。
sort：根据连接键对合并的数据进行排序，默认为 False.

2.4 合并重叠数据

​ 当DataFrame对象中出现了缺失数据，而我们希望使用其他 DataFrame对象中的数据填充缺失数据，则可以通过 combine_first()方法为缺失数据填充。

2.4.1 combine_first()方法

上述方法中只有一个参数 other，该参数用于接收填充缺失值的 DataFrame对象。

注意：使用combine_first()方法合并两个DataFrame对象时，必须确保它们的行索引和列索引有重叠的部分

3. 数据重塑

3.1 重塑层次化索引

​ Pandas中重塑层次化索引的操作主要是 stack()方法和 unstack()方法，前者是将数据的列“旋转”为行，后者是将数据的行“旋转”为列。

3.1.1 stack()方法

stack()方法可以将数据的列索引转换为行索引。

level：默认为-1，表示操作内层索引。若设为0，表示操作外层索引。

dropna：表示是否将旋转后的缺失值删除，若设为True，则表示自动过滤缺失值，设置为 False则相反。

3.1.2 unstack()方法

unstack()方法可以将数据的行索引转换为列索引

level：默认为-1，表示操作内层索引，0表示操作外层索引。

fill_value：若产生了缺失值，则可以设置这个参数用来替换NaN。

3.2 轴向旋转

​ 在 Pandas中pivot()方法提供了这样的功能，它会根据给定的行或列索引重新组织一个 DataFrame对象。

3.2.1 pivot()方法

index：用于创建新 DataFrame对象的行索引。
columns：用于创建新 DataFrame对象的列索引
values：用于填充新 DataFrame对象中的值。

4. 数据转换

4.1 重命名轴索引

Pandas中提供了一个rename()方法来重命名个别列索引或行索引的标签或名称。

4.1.1 rename()方法

index，columns：表示对行索引名或列索引名的转换。

inplace：默认为False，表示是否返回新的Pandas对象。

4.2 离散化连续数据

Pandas 的 cut ()函数能够实现离散化操作。

4.2.1 cut ()函数

x：表示要分箱的数组，必须是一维的。

bins：接收int和序列类型的数据。（序列划分区间）

right：是否包含右端点，决定区间的开闭，默认为True。

​ cut()函数会返回一个Categorical对象，我们可以将其看作一组表示 面元名称 的字符串，它包含了分组的数量以及不同分类的名称。

​ Categories对象中的区间范围跟数学符号中的“区间”一样，都是用圆括号表示开区间，用方括号则表示闭区间。

ages=[18,22,25,27,21,23,37,31,60,45,82]
bins=[0,18,25,50,60,100] # bins是一个序列，划分区间
cuts=pd.cut(ages,bins)
cuts
1
2
3
4

---

设置左闭右开区间，则可以在调用cut()函数时传入right=False进行修改。

# 如果希望设置左右开区间，则可以在调用cut函数时传入right= False进行修改。
pd.cut(ages,bins=bins,right=False)
1
2

# 可以在调用cut函数时指定labels=  用干生成区间的标签
pd.cut(ages,bins=bins,labels=['少年','青年','中年','中老年','老年'])
1
2

4.3 哑变量处理类别型数据

在Pandas中，可以使用get_dummies()函数对类别特征进行哑变量处理.

4.3.1 get_dummies()函数

data：表示哑变量处理的数据。

prefix：表示列名的前缀，默认为None。（‘col’）

prefix_sep：用于附加前缀作为分隔符使用，默认为“_”。

---

​ 哑变量又称应拟变量，名义变量，从名称上看就知道，它是人为虚设的变量，用来反映某个交量的不间类别
​ 使用哑变最处理类别转换，事实上就是将分类变量转换为哑变最矩阵或指标矩阵，矩阵的值通常用“0”或“1”表示</u>

df1=pd.DataFrame({'职业':['工人','学生','司机','教师','导游']})
# get_dummies()对类别特进行哑变量处理
pd.get_dummies(df1)
1
2
3

pd.get_dummies(df1,prefix=['col'])
1

---

4.3.2 cut()函数与get_dummies()函数的混合使用

ret=pd.cut(ages,bins=bins,right=False,
	labels=['少年','青年','中年','中老年','老年'])
pd.get_dummies(ret,prefix='年龄类别',prefix_sep=':')
1
2
3