前言

在不同行業(yè)中，我們經(jīng)常會(huì)遇到一個(gè)麻煩的問題：數(shù)據(jù)清洗。尤其是當(dāng)我們需要處理客戶編碼異常數(shù)據(jù)時(shí)，這個(gè)問題變得尤為重要。想象一下，許多銀行都是以客戶為單位管理數(shù)據(jù)的，因此每個(gè)客戶都有一個(gè)獨(dú)特的編碼。在處理這些數(shù)據(jù)時(shí)，我們常常會(huì)面臨以下問題：

1.客戶編碼有一個(gè)為空，另一個(gè)不為空的情況。

2.客戶編碼存在多個(gè)不同的值。

3.客戶編碼為空。

針對(duì)這些令人頭疼的問題，接下來我將詳細(xì)介紹如何使用pandas清洗客戶編碼異常數(shù)據(jù)。

創(chuàng)建一個(gè)新的數(shù)據(jù)集

首先我們要?jiǎng)?chuàng)建一個(gè)新的數(shù)據(jù)集，這個(gè)數(shù)據(jù)集的目的是用來對(duì)客戶的編碼進(jìn)行清洗。

import pandas as pd
import numpy as np
data = {
    '主鍵': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'MDG編碼': [np.nan, np.nan, 'A001', 'A002', np.nan, 'B001', 'B002', np.nan, 'C001', 'C002'],
    '客戶名稱': ['客戶1', '客戶1', '客戶1', '客戶2', '客戶2', '客戶3', '客戶3', '客戶4', '客戶4', '客戶4'],
    '證件號(hào)': ['111111', '111111', '111111', '222222', '222222', '333333', '333333', '444444', '444444', '444444'],
    '客戶類型': ['類型1', '類型1', '類型1', '類型2', '類型2', '類型3', '類型3', '類型4', '類型4', '類型4']
}
yb = pd.DataFrame(data)
yb

輸出

字符串空值轉(zhuǎn)換

pandas識(shí)別空字符串為非空值，所以我們需要將編碼為空的數(shù)據(jù)轉(zhuǎn)換為pandas能識(shí)別的NaN。

yb.MDG編碼.replace(to_replace=r'^\s*$', value=np.nan, regex=True, inplace=True)
cf = yb[(yb.duplicated(['客戶名稱'], keep=False)) & (yb.客戶類型 != '類型1')] #只獲取有重復(fù)的客戶，減少需要處理的數(shù)據(jù)量
cf

輸出：同上

構(gòu)造分組函數(shù)、不同異常數(shù)據(jù)進(jìn)行分組

cf['count'] = np.nan
cf.sort_values(by=['客戶名稱','MDG編碼'],inplace=True)
def abc(x):
    df = set(x[x.notnull()])
    if len(df)==1:
        if len(set(x))>1:
            return 2
        else:
            return 1
    elif len(df)>=2:
        return 3
cf['count'] = cf.groupby(['客戶名稱'])['MDG編碼'].transform(abc)
cf

輸出

這段代碼的作用是在DataFrame（cf）中創(chuàng)建一個(gè)新的列count，然后根據(jù)'客戶名稱'和'MDG編碼'對(duì)DataFrame進(jìn)行排序。接下來，定義了一個(gè)函數(shù)abc(x)。

該函數(shù)首先將非空值存儲(chǔ)在一個(gè)集合df中。如果集合df中的元素個(gè)數(shù)為1，且字段x中的不同值個(gè)數(shù)多于1個(gè)，則返回2。如果集合df中的元素個(gè)數(shù)為1，且字段x中的不同值個(gè)數(shù)只有1個(gè)，則返回1。如果集合df中的元素個(gè)數(shù)大于等于2，則返回3。

最后，使用cf.groupby(['客戶名稱'])['MDG編碼'].transform(abc)將函數(shù)abc應(yīng)用到分組后的cf DataFrame的'MDG編碼'列中，并將結(jié)果賦值給cf的'count'列。

查詢正確的客戶編碼

#查詢mdg編碼正確的數(shù)據(jù)
cf2 = cf[cf['count']==2]
cf1 = cf2.loc[cf2.MDG編碼.notnull()]
cf1 = cf1.drop_duplicates('客戶名稱')  #mdg編碼不為空，且mdg編碼正確的數(shù)據(jù)
cf1

輸出

獲取需要修改的異?？蛻舻膇d

將mdg編碼為空的客戶 與 正確MDG編碼的客戶進(jìn)行匹配，獲取需要修改的客戶數(shù)據(jù)

cf3 = cf2[cf2.MDG編碼.isnull()].merge(cf1[['客戶名稱','MDG編碼']],how='left',on='客戶名稱')
cf3 = cf3[['主鍵','MDG編碼_y','客戶名稱','證件號(hào)','客戶類型','MDG編碼_x']]
cf3  #MDG編碼_y為正確編碼，主鍵為需要修改的id

輸出

上述情況是相同客戶有一個(gè)正確編碼和一個(gè)編碼為空的情況，對(duì)于相同客戶有兩個(gè)及兩個(gè)以上不同編碼的情況，使用下述方法查詢：

cf[cf['count']==3] #多個(gè)不相等mdg編碼

輸出

這類數(shù)據(jù)由于編碼有多個(gè)不相同，需要根據(jù)業(yè)務(wù)進(jìn)一步核實(shí)

總結(jié)

本文主要介紹了在 pandas中清洗客戶編碼異常數(shù)據(jù)的方法，使用這個(gè)方法我們可以快速的清洗客戶編碼異常數(shù)據(jù)。那么如果你想要對(duì)這個(gè)方法進(jìn)行優(yōu)化的話，我們還可以對(duì)數(shù)據(jù)進(jìn)行清洗。比如說我們可以對(duì)原始數(shù)據(jù)進(jìn)行一次排序，然后在排序后的數(shù)據(jù)中尋找是否存在空值、重復(fù)值和重復(fù)編碼等問題。

以上就是使用Pandas實(shí)現(xiàn)清洗客戶編碼異常數(shù)據(jù)的詳細(xì)內(nèi)容，更多關(guān)于Pandas清洗異常數(shù)據(jù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論