林骥的第 38篇文章
0. 序言在做数据分析之前,我们首先要明确数据分析的目标,然后应用数据分析的思维,对目标进行细分,再采取相应的行动。我们可以把数据分析细分为以下 8 个步骤:(1)读取(2)清洗(3)操作(4)转换(5)整理(6)分析(7)展现(8)报告在《如何用 Python 读取数据?》这篇文章中,我们学习了从 5 种不同的地方读取数据的方法,接下来,我们将利用其中的一种方法,从 Excel 文件中读取原始数据,然后利用 Python 对它进行清洗。下面我们用一副待清洗的扑克牌作为示例,假设它保存在代码文件相同的目录下,在 Jupyter Lab 环境中运行以下代码:import pandas as pd # 设置最多显示 10 行 pd.set_option('max_rows', 10) # 从 Excel 文件中读取原始数据 df = pd.read_excel( '待清洗的扑克牌数据集.xlsx' ) dfimport numpy as np
返回结果如下:这幅待清洗的扑克牌数据集,有一些异常情况,包括:大小王的花色是缺失的,有两张重复的黑桃♠️ A,还有一张异常的黑桃♠️30。1. 如何查找异常?在正式开始清洗数据之前,往往需要先把异常数据找出来,观察异常数据的特征,然后再决定清洗的方法。
df[df.花色.isnull()]# 查找「花色」缺失的行
df[df.duplicated()]# 查找完全重复的行
df[df.编号.duplicated()]# 查找某一列重复的行
df.牌面.unique()# 查找牌面的所有唯一值
返回结果:array(['大王', '小王', 'A', '30', 4, 5, 6, 7, 8, 9, 10, 'J', 'Q', 'K', 2, 3], dtype=object)根据常识可以判断,牌面为 30 的是异常值。
df[df.牌面.isin(['30'])]# 查找「牌面」包含 30 的异常值
df[df.牌面.str.contains( '王', na=False )]# 查找王牌,模糊匹配
df[df.编号.between(1, 5)]# 查找编号在 1 到 5 之间的行
查找某个区间,也可以用逻辑运算的方法来实现:
df[(df.编号 >= 1) & (df.编号 <= 5)]# 查找编号在 1 到 5 之间的行
其中「 & 」代表必须同时满足两边的条件,也就是「且」的意思。还可以用下面等价的方法:
df[~((df.编号 < 1) | (df.编号 > 5))]# 查找编号在 1 到 5 之间的行
其中「 |」代表两边的条件满足一个即可,也就是「或」的意思,「~ 」代表取反,也就是「非」的意思。2. 如何排除重复?使用 drop_duplicates() 函数,在排除重复之后,会得到一个新的数据框。
df.drop_duplicates()# 排除完全重复的行,默认保留第一行
返回结果如下:如果想要改变原来的数据框,有两种方法,一种方法,是增加 inplace 参数:
df.drop_duplicates( inplace=True )# 排除重复后直接替换原来的数据框
另一种方法,是把得到的结果,重新赋值给原来的数据框:
df = df.drop_duplicates()# 排除重复后,重新赋值给原来的数据框
如果想要按某一列排除重复的数据,那么指定相应的列名即可。
df.drop_duplicates(['花色'])# 按某一列排除重复,默认保留第一行
如果想要保留重复的最后一行,那么需要指定 keep 参数。
df.drop_duplicates( ['花色'], keep='last' )# 按某一列排除重复,并保留最后一行
从上面两个返回结果的编号可以看出,不同方法的差异情况。3. 如何删除缺失?使用 dropna() 函数,默认删除包含缺失的行。为了更加简单易懂,我们用扑克牌中不重复的花色作为示例。
color = df.drop_duplicates( ['花色'] ) color# 不重复的花色
color.dropna()# 删除包含缺失值的行
如果想要删除整行全部为空的行,那么需要指定 how 参数。
color.dropna(how='all')# 删除全部为空的行
如果想要删除包含缺失值的列,那么需要指定 axis 参数。
color.dropna(axis=1)# 删除包含缺失值的列
可以看到,包含缺失值的「花色」这一列被删除了。4. 如何补全缺失?使用 fillna() 函数,可以将缺失值填充为我们指定的值。
color.fillna('Joker')# 补全缺失值
可以看到,原来的 NaN 被填充为 Joker,在实际工作的应用中,通常填充为 0,也就是说, fillna(0)是比较常见的用法。如果想要使用临近的值来填充,那么需要指定 method 参数,例如:
color.fillna(method='bfill')# 用后面的值填充
可以看到,原来第一行的 NaN 替换成了第二行的「黑桃♠️」。其中 method 还有一些其他的可选参数,详情可以查看相关的帮助文档。还有一种按字典填充的方法。为了让下面的演示更加直观易懂,我们先把索引为 2 的牌面设置为缺失值:
color.loc[2, '牌面'] = np.nan color# 为了演示,先指定一个缺失值
color.fillna( {'花色': 0, '牌面': 1} )# 按列自定义补全缺失值
可以看出,不同列的缺失值,可以填充为不同的值,花色这一列填充为 0,牌面这一列填充为 1,我在图中分别用红色的方框标记出来了。5. 应用案例下面我们用 Python 代码,把这幅待清洗的扑克牌数据集,变成一副正常的扑克牌数据。
import pandas as pd # 设置最多显示 10 行 pd.set_option('max_rows', 10) # 从 Excel 文件中读取原始数据 df = pd.read_excel( '待清洗的扑克牌数据集.xlsx' ) # 补全缺失值 df = df.fillna('Joker') # 排除重复值 df = df.drop_duplicates() # 修改异常值 df.loc[4, '牌面'] = 3 # 增加一张缺少的牌 df = df.append( {'编号': 4, '花色': '黑桃♠', '牌面': 2}, ignore_index=True ) # 按编号排序 df = df.sort_values('编号') # 重置索引 df = df.reset_index() # 删除多余的列 df = df.drop( ['index'], axis=1 ) # 把清洗好的数据保存到 Excel 文件 df.to_excel( '完成清洗的扑克牌数据.xlsx', index=False ) dfimport numpy as np
返回结果如下:可以看到,我们已经成功地把它变成了一副正常的扑克牌数据。6. 小结我们简单回顾一下本文的主要内容,首先,我们从宏观层面介绍了数据分析的 8 个步骤,然后用一副待清洗的扑克牌数据集作为示例,从读取数据,到查找异常,再到排除重复、删除缺失和补全缺失,最后,我们用一个案例,完整演示了清洗数据的过程。如果你想要获取本文的案例数据,请前往林骥的公众号后台回复「清洗」。猜你喜欢如何用 Python 读取数据?用扑克牌演示 Python 数据分析数据分析的 8 种思维