Data cleaning

数据清洗

大家好，这一期我将为大家带来我的pandas学习心得第二期：数据清理。这一步非常重要，一般在获取数据源之后，我们紧接着就要开始这一步，以便为了之后的各种操作，简单来说，我们的目标就是让数据看起来赏心悦目，规规矩矩的，所以我们会对原始的dataframe做一些必要的美容，包括规范命名，去除异常值，重新选择合适的index啊，处理缺失值，统一列的命名等等。

这一期我会和大家分享一些比较好用常见的清洗方法。首先还是让我们来简单看一下本文将会用到的数据源:

  • property_data.csv 这是一个超小型的房地产行业的数据集，大家会在文章最后找到下载地址。

这篇文章我会从以下几个方面来和大家分享我的心得体会：

  1. 有关缺失值的处理

  2. 有关列的处理

  3. 设置Index

  4. 源码及数据下载地址

1.有关缺失值的处理

这里我们会用到 property_data.csv这个数据集，在开始处理缺失值之前，我们可以先话一分钟仔细想想，为什么实际生活中的数据从来是不完整的，原因基本有几个方面：

  • 用户忘记填写字段

  • 从旧数据库手动传输时数据丢失

  • 代码中有bug

  • 用户不填写非必须字段（比如注册的时候）

因为这些原因，我每次在处理missing value的时候都会问自己两个基础问题：

  1. 数据集每一列有什么特点？

  2. 我们想要在处理后得到什么类型的数据（int，float，string，boolean）？

带着这些疑问，我们可以开始了，首先让我们简单读取一下数据，利用head函数看看前5行，如果你还对pandas的基础知识有疑问，可以看看我上一篇文章：Pandas之旅（一): 让我们把基础知识一次撸完，申精干货

import pandas as pd
import numpy as np
import os
os.chdir("F:\\Python教程\\segmentfault\\pandas_share\\Pandas之旅_02 数据清洗")
df = pd.read_csv("property_data.csv")
df.head()

PID

ST_NUM

ST_NAME

OWN_OCCUPIED

NUM_BEDROOMS

NUM_BATH

SQ_FT

0

100001000.0

104.0

PUTNAM

Y

3

1

1000

1

100002000.0

197.0

LEXINGTON

N

3

1.5

--

2

100003000.0

NaN

LEXINGTON

N

NaN

1

850

3

100004000.0

201.0

BERKELEY

12

1

NaN

700

4

NaN

203.0

BERKELEY

Y

3

2

1600

现在让我们看看数据的一些关键列是什么：

  • ST_NUM：街道号码

  • ST_NAME: 街道名称

  • OWN_OCCUPIED: 是否用于自住

  • NUM_BEDROOMS：卧室数量

  • SQ_FT：面积

这里可以给大家普及点房地产知识，有的时候房屋用途被明确规定，比如有的房产写的是"owner occupied only "）意思是说如果你买了，那这个房子会成为你的主要住所，不能用于出租之类的，简单理解就是自住

所以现在我可以自问自答第一个问题:数据集每一列有什么特点？

  • ST_NUM：float或int …

  • ST_NAME：string

  • OWN_OCCUPIED：string … Y（“是”）或N（“否”）

  • NUM_BEDROOMS：float或int，数字类型

  • SQ_FT：float或int，数字类型

1.1 规范的缺失值标记

现在让我们关注ST_NUM这一列：

df['ST_NUM']
0    104.0
1    197.0
2      NaN
3    201.0
4    203.0
5    207.0
6      NaN
7    213.0
8    215.0
Name: ST_NUM, dtype: float64

如果想查看该列的缺失值情况，我们可以利用isnull（）方法，如果出现缺失值，会返回True，反之返回false

df['ST_NUM'].isnull()
0    False
1    False
2     True
3    False
4    False
5    False
6     True
7    False
8    False
Name: ST_NUM, dtype: bool

但是其实如果我们打开csv文件，你会发现第3行是空白，还有一行在该列显示的是NA，所以结论已经有了：在pandas里表示缺省值的符号及时NA,换句话说，如果我们要表示缺省值，标准写法是NA

1.2 不规范的缺失值标记

同样的，这回让我们关注一下NUM_BEDROOMS这一列，我们发现出现了4种类型的表达缺省值的标记：

  • n/a

  • NA

  • —

  • na

通过刚才的实践，我们已经确定NA是pandas可以识别的，那么其他的符号呢，现在让我们来测试一下

df['NUM_BEDROOMS']
0      3
1      3
2    NaN
3      1
4      3
5    NaN
6      2
7      1
8     na
Name: NUM_BEDROOMS, dtype: object
df['NUM_BEDROOMS'].isnull()
0    False
1    False
2     True
3    False
4    False
5     True
6    False
7    False
8    False
Name: NUM_BEDROOMS, dtype: bool

可以看到pandas识别了n/a 和NA两种符号，但是接下来我们要考虑一个问题，假设你是房地产公司的地区总经理，你每周会收到不同地区的负责人提交的表格， 这些人中有的喜欢用–表示空白值，有的人喜欢用na，那应该怎么办？

最简单的方式就是将所有表示空白值的符号统一放在list中，让后让pandas一次性识别:

missing_values =  ["na", "--"]
df = pd.read_csv("property_data.csv", na_values = missing_values)

现在我们来看看到底发生了什么？

df

PID

ST_NUM

ST_NAME

OWN_OCCUPIED

NUM_BEDROOMS

NUM_BATH

SQ_FT

0

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

1

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

2

100003000.0

NaN

LEXINGTON

N

NaN

1

850.0

3

100004000.0

201.0

BERKELEY

12

1.0

NaN

700.0

4

NaN

203.0

BERKELEY

Y

3.0

2

1600.0

5

100006000.0

207.0

BERKELEY

Y

NaN

1

800.0

6

100007000.0

NaN

WASHINGTON

NaN

2.0

HURLEY

950.0

7

100008000.0

213.0

TREMONT

Y

1.0

1

NaN

8

100009000.0

215.0

TREMONT

Y

NaN

2

1800.0

我们可以发现只要missing_value中记录的表达空白值的符号，全部变成了规整的NaN

1.3 类型不一致的异常值

刚刚我们已经简单了解了在pandas中如何处理缺失值的，还有一种情况，让我们来看OWN_OCCUPIED这一列，这一列的答案只能是Y,N 但是我们发现数据集意外地出现了12，属于类型不对称

df['OWN_OCCUPIED'].isnull()
0    False
1    False
2    False
3    False
4    False
5    False
6     True
7    False
8    False
Name: OWN_OCCUPIED, dtype: bool

现在我们发现12是异常值，因为它是类型错误，所以我们可以简单通过下面这个方法来检测，


cnt=0
for row in df['OWN_OCCUPIED']:
    try:
        int(row)
        df.loc[cnt, 'OWN_OCCUPIED']=np.nan
    except ValueError:
        pass
    cnt+=1

我们这里的策略是：

  • 循环遍历OWN_OCCUPIED列

  • 尝试将条目转换为整数

  • 如果条目可以更改为整数，请输入缺失值

  • 如果数字不能是整数，我们知道它是一个字符串，所以继续

这样我们会把OWN_OCCUPIED这一列中所有类型不对的值转化为NaN，现在来看结果：

df['OWN_OCCUPIED']
0      Y
1      N
2      N
3    NaN
4      Y
5      Y
6    NaN
7      Y
8      Y
Name: OWN_OCCUPIED, dtype: object

1.4 汇总缺失值

pandas提供了更为简洁的方式，可以让我们整体了解所有column的空值：

df.isnull().sum()
PID             1
ST_NUM          2
ST_NAME         0
OWN_OCCUPIED    2
NUM_BEDROOMS    3
NUM_BATH        1
SQ_FT           2
dtype: int64

或者如果我们只想知道数据是否存在空值，那么可以使用以下的命令：


df.isnull().values.any()
True

1.5 替换缺失值

如果我们想要替换掉缺失值，可以用fillna方法


df['ST_NUM'].fillna(125, inplace=True)

或者我们可以通过准确定位来替换缺失值:


df.loc[2,'ST_NUM'] = 125

替换缺失值的一种非常常见的方法是使用中位数:


median = df['NUM_BEDROOMS'].median()
df['NUM_BEDROOMS'].fillna(median, inplace=True)
df

PID

ST_NUM

ST_NAME

OWN_OCCUPIED

NUM_BEDROOMS

NUM_BATH

SQ_FT

0

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

1

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

2

100003000.0

125.0

LEXINGTON

N

2.5

1

850.0

3

100004000.0

201.0

BERKELEY

NaN

1.0

NaN

700.0

4

NaN

203.0

BERKELEY

Y

3.0

2

1600.0

5

100006000.0

207.0

BERKELEY

Y

2.5

1

800.0

6

100007000.0

125.0

WASHINGTON

NaN

2.0

HURLEY

950.0

7

100008000.0

213.0

TREMONT

Y

1.0

1

NaN

8

100009000.0

215.0

TREMONT

Y

2.5

2

1800.0

2. 有关列的处理

2.1 统一修改列名

现在假设因为一些需求，需要我们统一修改列名，把列名改为小写，我们可以结合列表推导式轻易实现

df.rename(str.lower, axis='columns',inplace =True)
df.columns
Index(['pid', 'st_num', 'st_name', 'own_occupied', 'num_bedrooms', 'num_bath',
       'sq_ft'],
      dtype='object')

或者需要把列名中的_改为-:

new_cols = [c.replace("_","-") for c in df.columns]
change_dict =dict(zip(df.columns,new_cols))
df.rename(columns=change_dict,inplace=True)
df

pid

st-num

st-name

own-occupied

num-bedrooms

num-bath

sq-ft

0

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

1

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

2

100003000.0

125.0

LEXINGTON

N

2.5

1

850.0

3

100004000.0

201.0

BERKELEY

NaN

1.0

NaN

700.0

4

NaN

203.0

BERKELEY

Y

3.0

2

1600.0

5

100006000.0

207.0

BERKELEY

Y

2.5

1

800.0

6

100007000.0

125.0

WASHINGTON

NaN

2.0

HURLEY

950.0

7

100008000.0

213.0

TREMONT

Y

1.0

1

NaN

8

100009000.0

215.0

TREMONT

Y

2.5

2

1800.0

这里我没有写的精简一些，反而是复杂了，主要是想让大家回忆起之前我分享的dict使用技巧中的内容，注意这里inplace=True，导致的结果是我们的的确确修改了df所有的列名

2.1 根据需求新增列

假如目前我们需要新增一列，根据房屋面积大小来赋值,我们先随意把缺失值补上：

df['sq-ft'].fillna('0.0')
0    1000
1     0.0
2     850
3     700
4    1600
5     800
6     950
7     0.0
8    1800
Name: sq-ft, dtype: object

然后新建一列rank来根据房屋面积大小赋值S=small,M=medium,B=big：

df["rank"]= pd.cut(df['sq-ft'], [0, 800, 1600, np.inf], labels=("S","M","B"))
df

pid

st-num

st-name

own-occupied

num-bedrooms

num-bath

sq-ft

rank

0

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

M

1

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

NaN

2

100003000.0

125.0

LEXINGTON

N

2.5

1

850.0

M

3

100004000.0

201.0

BERKELEY

NaN

1.0

NaN

700.0

S

4

NaN

203.0

BERKELEY

Y

3.0

2

1600.0

M

5

100006000.0

207.0

BERKELEY

Y

2.5

1

800.0

S

6

100007000.0

125.0

WASHINGTON

NaN

2.0

HURLEY

950.0

M

7

100008000.0

213.0

TREMONT

Y

1.0

1

NaN

NaN

8

100009000.0

215.0

TREMONT

Y

2.5

2

1800.0

B

具体实现方法我们之后会说，这里主要是用到了pandas的cut方法，非常便捷

3. 设置Index

在许多情况下，使用数据的唯一值标识字段作为其索引是有帮助的。这里可能我们的数据不太合适，因此我们先伪造一列Fake_Index来模拟真实场景中的真正索引

df["Fake_Index"]=["A00"+str(i) for i in range(len(df))]
df

pid

st-num

st-name

own-occupied

num-bedrooms

num-bath

sq-ft

rank

Fake_Index

0

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

M

A000

1

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

NaN

A001

2

100003000.0

125.0

LEXINGTON

N

2.5

1

850.0

M

A002

3

100004000.0

201.0

BERKELEY

NaN

1.0

NaN

700.0

S

A003

4

NaN

203.0

BERKELEY

Y

3.0

2

1600.0

M

A004

5

100006000.0

207.0

BERKELEY

Y

2.5

1

800.0

S

A005

6

100007000.0

125.0

WASHINGTON

NaN

2.0

HURLEY

950.0

M

A006

7

100008000.0

213.0

TREMONT

Y

1.0

1

NaN

NaN

A007

8

100009000.0

215.0

TREMONT

Y

2.5

2

1800.0

B

A008

现在我们添加的最后一列非常像真正的房屋Id了，让我们来看看这个伪造的索引是不是唯一值，可以利用is_unique来检验：

df.Fake_Index.is_unique
True

没有问题，现在我们可以放心地把这列设置为我们真正的索引：

df = df.set_index('Fake_Index')
df

pid

st-num

st-name

own-occupied

num-bedrooms

num-bath

sq-ft

rank

Fake_Index

A000

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

M

A001

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

NaN

A002

100003000.0

125.0

LEXINGTON

N

2.5

1

850.0

M

A003

100004000.0

201.0

BERKELEY

NaN

1.0

NaN

700.0

S

A004

NaN

203.0

BERKELEY

Y

3.0

2

1600.0

M

A005

100006000.0

207.0

BERKELEY

Y

2.5

1

800.0

S

A006

100007000.0

125.0

WASHINGTON

NaN

2.0

HURLEY

950.0

M

A007

100008000.0

213.0

TREMONT

Y

1.0

1

NaN

NaN

A008

100009000.0

215.0

TREMONT

Y

2.5

2

1800.0

B

现在对数据的操作容易多了，我们很多事情可以通过索引完成：

df['A000':'A003']

pid

st-num

st-name

own-occupied

num-bedrooms

num-bath

sq-ft

rank

Fake_Index

A000

100001000.0

104.0

PUTNAM

Y

3.0

1

1000.0

M

A001

100002000.0

197.0

LEXINGTON

N

3.0

1.5

NaN

NaN

A002

100003000.0

125.0

LEXINGTON

N

2.5

1

850.0

M

A003

100004000.0

201.0

BERKELEY

NaN

1.0

NaN

700.0

S

df.iloc[1:3, 0:3]

pid

st-num

st-name

Fake_Index

A001

100002000.0

197.0

LEXINGTON

A002

100003000.0

125.0

LEXINGTON


df.iloc[1,2]
'LEXINGTON'

总结

Github仓库地址： https://github.com/yaozeliang/pandas_share

PreviousBasicNextMerge, Join, Concat

Last updated