入门Python数据清洗

Demo

笔记

- 数据清洗常用包
    - import pandas as pd
    - import numpy as np

- 导入数据集
    - pd.read_csv()
    - .....
    - 示例代码：
        - df = pd.read_csv("qunar_freetrip.csv", index_col=0)

- 查看数据结构
    - 查看数据形状
        - df.shape()
    - 查看数据结构(查看数据行、是否有空值、数据类型等)
        - df.info()
    - 查看数据描述性统计信息(数值型数据的描述统计)
        - df.describe()

- 简单数据处理
    - 列名
        - df.columns
    - 列名去除空格
        - 导入列名
            - col = df.columns.values
        - 列表推导执行(strip的作用是去除前后空格)
            - [x.strip() for x in col]
        - 示例代码
            - df.columns = [x.strip() for x in col]
            - df.columns

- 数据求值（平均值、中位数、最大值、最小值、求和、标准差） 
    - 平均值和指定列平均值
        - df.mean()
        - df["价格"].mean()
    - 中位值和指定列平均值
        - df.median()
        - 同上
    - 最大值和最小值
        - df['价格'].max()
        - df['价格'].min()
    - 求和和标准差
        - df['价格'].sum()
        - df['价格'].std()
    - 整体查看
        - df.describe()

- 重复值处理
    - df.duplicated()
        - 返回布尔类型值，确定缺失值位置
        - 仅支持全部特征值相同时才返回True
        - 支持从前向后、从后向前的查找模式
    - df[df.duplicated()]
        - 查找被判断为重复值的记录
    - df.duplicated().sum()
        - 被判断为重复值数量
    - df.drop_duplicates()
        - 删除重复值（没有修改原数据，想当初创建出新的数据集）
    - df.drop_duplicates(inplace=True)
        - 删除重复值(在原数据上操作)
    - df.index = range(df.shape[0])
        - 重置索引

- 异常值处理
    - 价格
        - df.describe().T
            - 查看数据值
        - sta = (df['价格'] - df['价格'].mean()) / df['价格'].std()
        - df[sta.abs() > 3]
            - 三倍标准差衡量是否异常
    - 节省（节省价格高于或等于价格属于异常）
        - sum(df.价格 > df.节省)
            - 计算正常值数量
        - df[df.价格 < df.节省]
            - 找出异常值
    - 异常值合并后取除索引
        - delindes = pd.co ncat([df[df.价格 < df.节省], df[sta.abs() > 3]]).index
    - 依据索引删除异常值
        - df.drop(delindes, inplace=True)

 - 缺失值处理
     - df.notnull()
        - 查看不是缺失值的数据（布尔类型）
    - df.isnull()
        - 查看缺失值（布尔类型）
        - df.isnull().sum()
            - 查看每一列的缺失数据个数
        - 缺失值填补（出发地）
            - 确实的出发地可以在路线名中找到补值
            - df.loc[df.出发地.isnull(), "出发地"] = [str(x)[:2] for x in df.loc[df.出发地.isnull(), '路线名']]
        - 缺失值填补（目的地)
            - 同上
            - df.loc[df.目的地.isnull(), '目的地'] = str(df.loc[df.目的地.isnull(), "路线名"].values)[5:7]
        - 缺失值填补（价格)
            - df['价格'].fillna(round(df['价格'].mean(), 0), inplace=True)
        - 缺失值填补（节省)
            - df['节省'].fillna(round(df['节省'].mean(), 0), inplace=True)

- 文本型数据处理
    - 正则表达式提取

笔记文件

数据集：点击下载