欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

python3常用的數(shù)據(jù)清洗方法(小結(jié))

 更新時(shí)間:2019年10月31日 14:48:44   作者:竹子萊西  
這篇文章主要介紹了python3常用的數(shù)據(jù)清洗方法(小結(jié)),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

首先載入各種包:

import pandas as pd
import numpy as np
from collections import Counter
from sklearn import preprocessing
from matplotlib import pyplot as plt
%matplotlib inline
import seaborn as sns 
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字體設(shè)置-黑體
plt.rcParams['axes.unicode_minus'] = False # 解決保存圖像是負(fù)號(hào)'-'顯示為方塊的問(wèn)題
sns.set(font='SimHei') # 解決Seaborn中文顯示問(wèn)題

讀入數(shù)據(jù):這里數(shù)據(jù)是編造的

data=pd.read_excel('dummy.xlsx')

本案例的真實(shí)數(shù)據(jù)是這樣的:

這里寫圖片描述 

對(duì)數(shù)據(jù)進(jìn)行多方位的查看:

實(shí)際情況中可能會(huì)有很多行,一般用head()看數(shù)據(jù)基本情況

data.head() #查看長(zhǎng)啥樣
data.shape #查看數(shù)據(jù)的行列大小
data.describe()

這里寫圖片描述

這里寫圖片描述

#列級(jí)別的判斷,但凡某一列有null值或空的,則為真
data.isnull().any()

#將列中為空或者null的個(gè)數(shù)統(tǒng)計(jì)出來(lái),并將缺失值最多的排前
total = data.isnull().sum().sort_values(ascending=False)
print(total)


#輸出百分比:
percent =(data.isnull().sum()/data.isnull().count()).sort_values(ascending=False)
missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
missing_data.head(20)

這里寫圖片描述

也可以從視覺(jué)上直觀查看缺失值:

import missingno
missingno.matrix(data)
data=data.dropna(thresh=data.shape[0]*0.5,axis=1) #至少有一半以上是非空的列篩選出來(lái)
#如果某一行全部都是na才刪除:
data.dropna(axis=0,how='all') 

這里寫圖片描述

#默認(rèn)情況下是只保留沒(méi)有空值的行
data=data.dropna(axis=0) 

這里寫圖片描述

#統(tǒng)計(jì)重復(fù)記錄數(shù)
data.duplicated().sum()
data.drop_duplicates()

對(duì)連續(xù)型數(shù)據(jù)和離散型數(shù)據(jù)分開(kāi)處理:

data.columns
#第一步,將整個(gè)data的連續(xù)型字段和離散型字段進(jìn)行歸類
id_col=['姓名']
cat_col=['學(xué)歷','學(xué)校'] #這里是離散型無(wú)序,如果有序,請(qǐng)參考map用法,一些博客上有寫
cont_col=['成績(jī)','能力'] #這里是數(shù)值型
print (data[cat_col]) #這里是離散型的數(shù)據(jù)部分
print (data[cont_col])#這里是連續(xù)性數(shù)據(jù)部分

對(duì)于離散型部分:

#計(jì)算出現(xiàn)的頻次
for i in cat_col:
  print (pd.Series(data[i]).value_counts())
  plt.plot(data[i])

這里寫圖片描述

#對(duì)于離散型數(shù)據(jù),對(duì)其獲取啞變量
dummies=pd.get_dummies(data[cat_col])
dummies

這里寫圖片描述 

對(duì)于連續(xù)型部分:

#對(duì)于連續(xù)型數(shù)據(jù)的大概統(tǒng)計(jì):
data[cont_col].describe()

#對(duì)于連續(xù)型數(shù)據(jù),看偏度,一般大于0.75的數(shù)值做一個(gè)log轉(zhuǎn)化,使之盡量符合正態(tài)分布,因?yàn)楹芏嗄P偷募僭O(shè)數(shù)據(jù)是服從正態(tài)分布的
skewed_feats = data[cont_col].apply(lambda x: (x.dropna()).skew() )#compute skewness
skewed_feats = skewed_feats[skewed_feats > 0.75]
skewed_feats = skewed_feats.index
data[skewed_feats] = np.log1p(data[skewed_feats])
skewed_feats
#對(duì)于連續(xù)型數(shù)據(jù),對(duì)其進(jìn)行標(biāo)準(zhǔn)化
scaled=preprocessing.scale(data[cont_col])
scaled=pd.DataFrame(scaled,columns=cont_col)
scaled

這里寫圖片描述

m=dummies.join(scaled)
data_cleaned=data[id_col].join(m)
data_cleaned

這里寫圖片描述 

看變量之間的相關(guān)性:

data_cleaned.corr()

這里寫圖片描述

#以下是相關(guān)性的熱力圖,方便肉眼看
def corr_heat(df):
  dfData = abs(df.corr())
  plt.subplots(figsize=(9, 9)) # 設(shè)置畫面大小
  sns.heatmap(dfData, annot=True, vmax=1, square=True, cmap="Blues")
  # plt.savefig('./BluesStateRelation.png')
  plt.show()
corr_heat(data_cleaned)

這里寫圖片描述

如果有覺(jué)得相關(guān)性偏高的視情況刪減某些變量。

#取出與某個(gè)變量(這里指能力)相關(guān)性最大的前四個(gè),做出熱點(diǎn)圖表示
k = 4 #number of variables for heatmap
cols = corrmat.nlargest(k, '能力')['能力'].index
cm = np.corrcoef(data_cleaned[cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt='.2f',   annot_kws={'size': 10}, yticklabels=cols.values,  xticklabels=cols.values)
plt.show()

以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

最新評(píng)論