8 个机器学习数据清洗 Python 代码,简洁实用!

2019年01月25日 由 荟荟 发表 876990 0
最近,大数据工程师Kin Lim Lee在Medium上发表了一篇文章,介绍了8个用于数据清洗的Python代码。

数据清洗,是进行数据分析和使用数据训练模型的必经之路,也是最耗费数据科学家/程序员精力的地方。

这些用于数据清洗的代码有两个优点:一是由函数编写而成,不用改参数就可以直接使用。二是非常简单,加上注释最长的也不过11行。

在介绍每一段代码时,Lee都给出了用途,也在代码中也给出注释。

大家可以把这篇文章收藏起来,当做工具箱使用。

涵盖8大场景的数据清洗代码

这些数据清洗代码,一共涵盖8个场景,分别是:

删除多列、更改数据类型、将分类变量转换为数字变量、检查缺失数据、删除列中的字符串、删除列中的空格、用字符串连接两列(带条件)、转换时间戳(从字符串到日期时间格式)

删除多列


在进行数据分析时,并非所有的列都有用,用df.drop可以方便地删除你指定的列。

defdrop_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)

returndf

转换数据类型


当数据集变大时,需要转换数据类型来节省内存。

defchange_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')

将分类变量转换为数值变量


一些机器学习模型要求变量采用数值格式。这需要先将分类变量转换为数值变量。同时,你也可以保留分类变量,以便进行数据可视化。

defconvert_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)

检查缺失数据


如果你要检查每列缺失数据的数量,使用下列代码是最快的方法。可以让你更好地了解哪些列缺失的数据更多,从而确定怎么进行下一步的数据清洗和分析操作。

defcheck_missing_data(df):

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

returndf.isnull().sum().sort_values(ascending= False)

删除列中的字符串


有时候,会有新的字符或者其他奇怪的符号出现在字符串列中,这可以使用df[‘col_1’].replace很简单地把它们处理掉。

defremove_col_str(df):

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

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

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

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

删除列中的空格


数据混乱的时候,什么情况都有可能发生。字符串开头经常会有一些空格。在删除列中字符串开头的空格时,下面的代码非常有用。

defremove_col_white_space(df):

# remove white space at the beginning of string

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

用字符串连接两列(带条件)


当你想要有条件地用字符串将两列连接在一起时,这段代码很有帮助。比如,你可以在第一列结尾处设定某些字母,然后用它们与第二列连接在一起。

根据需要,结尾处的字母也可以在连接完成后删除。

defconcat_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

转换时间戳(从字符串到日期时间格式)


在处理时间序列数据时,我们很可能会遇到字符串格式的时间戳列。

这意味着要将字符串格式转换为日期时间格式(或者其他根据我们的需求指定的格式) ,以便对数据进行有意义的分析。

defconvert_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 %H:%M:%S.%f'))

原文传送门:


https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38

原文 pdf 文件下载:


链接:https://pan.baidu.com/s/1c1n4K7qpu1br3hf-9l5Xcg

提取码:9zmw
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
评论 登录
写评论取消
回复取消