数据清洗

数据清洗是对一些没有用的数据进行处理的过程。

很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况,如果要对使数据分析更加准确,就需要对这些没有用的数据进行处理。

在这个教程中,我们将利用 Pandas包来进行数据清洗。

处理丢失数据

  • 有两种丢失数据:

    • None
    • np.nan(NaN)
  • 两种丢失数据的区别

  • 为什么在数据分析中需要用到的是浮点类型的空而不是对象类型?

    • 数据分析中会常常使用某些形式的运算来处理原始数据,如果原数数据中的空值为NAN的形式,则不会干扰或者中断运算。
    • NAN可以参与运算的
    • None是不可以参与运算

  • 在pandas中如果遇到了None形式的空值则pandas会将其强转成NAN的形式。

pandas处理空值操作

  • isnull
  • notnull
  • any
  • all
  • dropna
  • fillna
  • 方式1:对空值进行过滤(删除空所在的行数据)

    • 技术:isnull,notnull,any,all

    #哪些行中有空值#any(axis=1)检测哪些行中存有空值df.isnull().any(axis=1) #any会作用isnull返回结果的每一行#true对应的行就是存有缺失数据的行

    df.notnull()

    df.notnull().all(axis=0) #all 只要有false,则整体就是false

    #将布尔值作为源数据的行索引df.loc[df.notnull().all(axis=1)]

  • 方式2:

    • dropna:可以直接将缺失的行或者列进行删除

    • 对缺失值进行覆盖

      • fillna
    df.fillna(value=999) #使用指定值将源数据中所有的空值进行填充

    #使用空的近邻值进行填充#method=ffill向前填充,bfill向后填充df.fillna(axis=0,method='bfill')

  • 什么时候用dropna什么时候用fillna

    • 尽量使用dropna,如果删除成本比较高,则使用fillna
  • 使用空值对应列的均值进行空值填充

    for col in df.columns:    #检测哪些列中存有空值    if df[col].isnull().sum() > 0:#说明df[col]中存有空值        mean_value = df[col].mean()        df[col] = df[col].fillna(value=mean_value)

面试题

  • 数据说明:
    • 数据是1个冷库的温度数据,1-7对应7个温度采集设备,1分钟采集一次。
  • 数据处理目标:
    • 用1-4对应的4个必须设备,通过建立冷库的温度场关系模型,预估出5-7对应的数据。
    • 最后每个冷库中仅需放置4个设备,取代放置7个设备。
    • f(1-4) –> y(5-7)
  • 数据处理过程:
    • 1、原始数据中有丢帧现象,需要做预处理;
    • 2、matplotlib 绘图;
    • 3、建立逻辑回归模型。
  • 无标准答案,按个人理解操作即可,请把自己的操作过程以文字形式简单描述一下,谢谢配合。
  • 测试数据为testData.xlsx

Data:

  1. 丢帧预处理:

清洗掉none,none1列df.drop(label=['none','none1'],axis=1)

  1. 删掉空值所在的行

    #删除空对应的行数据data.dropna(axis=0)

处理重复数据

#检测哪些行存有重复的数据df.duplicated(keep='first')

第1行之所以是false,是因为keep保留了第一个出现的数据,但是3,5行就不保留了。如果keep=last,则保留最后一行数据;keep=false则删除所有数据

df.drop_duplicates(keep='first')删除重复数据

处理异常数据

  • 自定义一个1000行3列(A,B,C)取值范围为0-1的数据源,然后将C列中的值大于其两倍标准差的异常值进行清洗

    df = DataFrame(data=np.random.random(size=(1000,3)),columns=['A','B','C'])

  • 判定条件:c值大于本列的方差的2倍,则为异常数据

    #制定判定异常值的条件twice_std = df['C'].std() * 2twice_std
    df['C'] > twice_std --> 异常值所在列~df['C'] > twice_std --> 取反操作df.loc[~(df['C'] > twice_std)] --> 通过定位非异常值索引来获取正常值

本文来自博客园,作者:ivanlee717,转载请注明原文链接:https://www.cnblogs.com/ivanlee717/p/16993650.html