[数据清洗]- Pandas 清洗“脏”数据(三)
2018-01-05 08:08
246 查看
预览数据
这次我们使用 Artworks.csv ,我们选取 100 行数据来完成本次内容。具体步骤:导入 Pandas
读取 csv 数据到 DataFrame(要确保数据已经下载到指定路径)
DataFrame 是 Pandas 内置的数据展示的结构,展示速度很快,通过 DataFrame 我们就可以快速的预览和分析数据。代码如下:
import pandas as pd df = pd.read_csv('../data/Artworks.csv').head(100) df.head(10)
统计日期数据
我们仔细观察一下 Date 列的数据,有一些数据是年的范围(1976-1977),而不是单独的一个年份。在我们使用年份数据画图时,就不能像单独的年份那样轻易的画出来。我们现在就使用 Pandas 的 value_counts() 来统计一下每种数据的数量。首先,选择要统计的列,并调用 value_counts():
df['Date'].value_counts()
日期数据问题
Date 列数据,除了年份是范围外,还有三种非正常格式。下面我们将这几种列出来:问题一,时间范围(1976-77)
问题二,估计(c. 1917,1917 年前后)
问题三,缺失数据(Unknown)
问题四,无意义数据(n.d.)
接下来我们会处理上面的每一个问题,使用 Pandas 将这些不规则的数据转换为统一格式的数据。
问题一和二是有数据的只是格式上欠妥当,问题三和四实际上不是有效数据。针对前两个问题,我们可以通过代码将据格式化来达到清洗的目的,然而,后两个问题,代码上只能将其作为缺失值来处理。简单起见,我们将问题三和四的数据处理为0。
处理问题一
问题一的数据都是两个年时间范围,我们选择其中的一个年份作为清洗之后的数据。为了简单起见,我们就使用开始的时间来替换这样问题的数据,因为这个时间是一个四位数的数字,如果要使用结束的年份,我们还要补齐前两位的数字。首先,我们需要找到问题一的数据,这样我们才能将其更新。要保证其他的数据不被更新,因为其他的数据有可能是已经格式化好的,也有可能是我们下面要处理的。
我们要处理的时间范围的数据,其中包含有“-”,这样我们就可以通过这个特殊的字符串来过滤我们要处理的数据,然后,通过 split() 利用“-”将数据分割,将结果的第一部分作为处理的最终结果。
代码如下
row_with_dashes = df['Date'].str.contains('-').fillna(False) for i, dash in df[row_with_dashes].iterrows(): df.at[i,'Date'] = dash['Date'][0:4] df['Date'].value_counts()
处理问题二
问题二的数据体现了数据本身的不准确性,是一个估计的年份时间,我们将其转换为年份,那么,就只要保留最后四位数字即可,该数据的特点就是数据包含“c”,这样我们就可以通过这一特征将需要转换的数据过滤出来。row_with_cs = df['Date'].str.contains('c').fillna(False) for i,row in df[row_with_cs].iterrows(): df.at[i,'Date'] = row['Date'][-4:] df[row_with_cs]
处理问题三四
将这问题三四的数据赋值成初始值 0。df['Date'] = df['Date'].replace('Unknown','0',regex=True) df['Date'] = df['Date'].replace('n.d.','0',regex=True) df['Date']
代码整合
mport pandas as pd
df = pd.read_csv('../data/Artworks.csv').head(100)
df.head(10)
df['Date'].value_counts()
row_with_dashes = df['Date'].str.contains('-').fillna(False) for i, dash in df[row_with_dashes].iterrows(): df.at[i,'Date'] = dash['Date'][0:4] df['Date'].value_counts()
row_with_cs = df['Date'].str.contains('c').fillna(False)
for i,row in df[row_with_cs].iterrows():
df.at[i,'Date'] = row['Date'][-4:]
df['Date'].value_counts()
df['Date'] = df['Date'].replace('Unknown','0',regex=True) df['Date'] = df['Date'].replace('n.d.','0',regex=True) df['Date'].value_counts()
更多关于数据清洗的内容可以关注知乎上的专栏“数据清洗”
知乎 数据清洗- Pandas 清洗“脏”数据(三)
相关文章推荐
- 使用pandas进行数据清洗
- 用pandas清洗数据具体步骤(基础篇一)
- 利用Python Pandas进行数据预处理-数据清洗
- pandas数据清洗,排序,索引设置,数据选取
- 利用Python Pandas进行数据预处理-数据清洗
- [数据清洗]-Pandas 清洗“脏”数据(一)
- pandas做数据的清洗
- pandas数据清洗,排序,索引设置,数据选取
- 利用pandas对数据进行基本清洗
- 【Pandas-Cookbook】07:数据清洗
- Pandas 数据处理,数据清洗详解
- 使用pandas清洗数据(中文字符串的正则使用)
- 【转载】使用pandas进行数据清洗
- 数据清洗记录,pandas
- 数据预处理(1) ——数据清洗 使用python(sklearn,pandas,numpy)实现
- 小项目-数据处理篇:pandas进行工作相关数据清洗
- 使用spyder+pandas清洗数据
- 用pandas清洗数据具体步骤(基础篇二)
- pandas数据清洗,排序,索引设置,数据选取方法
- [数据清洗]- Pandas 清洗“脏”数据(二)