最近，大數(shù)據(jù)工程師Kin Lim Lee在Medium上發(fā)表了一篇文章，介紹了8個(gè)用于數(shù)據(jù)清洗的Python代碼。

數(shù)據(jù)清洗，是進(jìn)行數(shù)據(jù)分析和使用數(shù)據(jù)訓(xùn)練模型的必經(jīng)之路，也是最耗費(fèi)數(shù)據(jù)科學(xué)家/程序員精力的地方。

這些用于數(shù)據(jù)清洗的代碼有兩個(gè)優(yōu)點(diǎn)：一是由函數(shù)編寫(xiě)而成，不用改參數(shù)就可以直接使用。二是非常簡(jiǎn)單，加上注釋最長(zhǎng)的也不過(guò)11行。在介紹每一段代碼時(shí)，Lee都給出了用途，也在代碼中也給出注釋。大家可以把這篇文章收藏起來(lái)，當(dāng)做工具箱使用。

涵蓋8大場(chǎng)景的數(shù)據(jù)清洗代碼

這些數(shù)據(jù)清洗代碼，一共涵蓋8個(gè)場(chǎng)景，分別是：

刪除多列、更改數(shù)據(jù)類(lèi)型、將分類(lèi)變量轉(zhuǎn)換為數(shù)字變量、檢查缺失數(shù)據(jù)、刪除列中的字符串、刪除列中的空格、用字符串連接兩列(帶條件)、轉(zhuǎn)換時(shí)間戳(從字符串到日期時(shí)間格式)

刪除多列

在進(jìn)行數(shù)據(jù)分析時(shí)，并非所有的列都有用，用df.drop可以方便地刪除你指定的列。

def drop_multiple_col(col_names_list, df):

AIM -> Drop multiple columns based on their column names

INPUT -> List of column names, df

OUTPUT -> updated df with dropped columns

------

df.drop(col_names_list, axis=1, inplace=True)

return df

轉(zhuǎn)換數(shù)據(jù)類(lèi)型

當(dāng)數(shù)據(jù)集變大時(shí)，需要轉(zhuǎn)換數(shù)據(jù)類(lèi)型來(lái)節(jié)省內(nèi)存。

def change_dtypes(col_int, col_float, df):

AIM -> Changing dtypes to save memory

INPUT -> List of column names (int, float), df

OUTPUT -> updated df with smaller memory

------

df[col_int] = df[col_int].astype( int32 )

df[col_float] = df[col_float].astype( float32 )

將分類(lèi)變量轉(zhuǎn)換為數(shù)值變量

一些機(jī)器學(xué)習(xí)模型要求變量采用數(shù)值格式。這需要先將分類(lèi)變量轉(zhuǎn)換為數(shù)值變量。同時(shí)，你也可以保留分類(lèi)變量，以便進(jìn)行數(shù)據(jù)可視化。

def convert_cat2num(df):

# Convert categorical variable to numerical variable

num_encode = { col_1 : { YES :1, NO :0},

col_2 : { WON :1, LOSE :0, DRAW :0}}

df.replace(num_encode, inplace=True)

檢查缺失數(shù)據(jù)

如果你要檢查每列缺失數(shù)據(jù)的數(shù)量，使用下列代碼是最快的方法。可以讓你更好地了解哪些列缺失的數(shù)據(jù)更多，從而確定怎么進(jìn)行下一步的數(shù)據(jù)清洗和分析操作。

def check_missing_data(df):

# check for any missing data in the df (display in descending order)

return df.isnull().sum().sort_values(ascending=False)

刪除列中的字符串

有時(shí)候，會(huì)有新的字符或者其他奇怪的符號(hào)出現(xiàn)在字符串列中，這可以使用df[‘col_1'].replace很簡(jiǎn)單地把它們處理掉。

def remove_col_str(df):

# remove a portion of string in a dataframe column - col_1

df[ col_1 ].replace(, , regex=True, inplace=True)

# remove all the characters after (including ) for column - col_1

df[ col_1 ].replace( .* , , regex=True, inplace=True)

刪除列中的空格

數(shù)據(jù)混亂的時(shí)候，什么情況都有可能發(fā)生。字符串開(kāi)頭經(jīng)常會(huì)有一些空格。在刪除列中字符串開(kāi)頭的空格時(shí)，下面的代碼非常有用。

def remove_col_white_space(df):

# remove white space at the beginning of string

df[col] = df[col].str.lstrip()

用字符串連接兩列(帶條件)

當(dāng)你想要有條件地用字符串將兩列連接在一起時(shí)，這段代碼很有幫助。比如，你可以在第一列結(jié)尾處設(shè)定某些字母，然后用它們與第二列連接在一起。根據(jù)需要，結(jié)尾處的字母也可以在連接完成后刪除。

def concat_col_str_condition(df):

# concat 2 columns with strings if the last 3 letters of the first column are pil

mask = df[ col_1 ].str.endswith( pil , na=False)

col_new = df[mask][ col_1 ] + df[mask][ col_2 ]

col_new.replace( pil , , regex=True, inplace=True) # replace the pil with emtpy space

轉(zhuǎn)換時(shí)間戳(從字符串到日期時(shí)間格式)

在處理時(shí)間序列數(shù)據(jù)時(shí)，我們很可能會(huì)遇到字符串格式的時(shí)間戳列。這意味著要將字符串格式轉(zhuǎn)換為日期時(shí)間格式(或者其他根據(jù)我們的需求指定的格式) ，以便對(duì)數(shù)據(jù)進(jìn)行有意義的分析。

def convert_str_datetime(df):

AIM -> Convert datetime(String) to datetime(format we want)

INPUT -> df

OUTPUT -> updated df with new datetime format

------

df.insert(loc=2, column= timestamp , value=pd.to_datetime(df.transdate, format= %Y-%m-%d

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。

總結(jié)

以上是生活随笔為你收集整理的python数据清洗代码_8段用于数据清洗Python代码(小结)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。