可直接使用的8个数据清洗的代码

  • Z时代
  • 2024-01-10
  • 分类：综合

python

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。

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。

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

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。

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")

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。

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)

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。

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)

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。

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)

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。

def remove_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。

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

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。

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 %H:%M:%S.%f"))



本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

以上文章来源于公众号 QbitAI，作者Kin Lim Lee

以上是 可直接使用的8个数据清洗的代码 的全部内容， 来源链接： utcz.com/z/530742.html

回到顶部