微信号:shushuojun

介绍:数据分析师之家.旨在为数据人提供一个学习、分享、互帮互助的家园.

统计师的Python日记【第七天:数据清洗(1)】

2016-05-23 19:39 数说君

本文是【统计师的Python日记】第7天的日记


回顾一下:


第1天学习了Python的基本页面、操作,以及几种主要的容器类型。

第2天学习了python的函数、循环和条件、类。

第3天了解了Numpy这个工具库。

第4、5两天掌握了Pandas这个库的基本用法。

第6天学习了数据的合并堆叠。


原文复习(点击查看):


【第1天:谁来给我讲讲Python?】


【第2天:再接着介绍一下Python呗】


【第3天:Numpy你好】


【第4天:欢迎光临Pandas】


【第四天的补充


【第5天:Pandas,露两手】


【第6天:数据合并】


今天将带来第7天的学习日记。


目录如下:


前言

1. 删除重复

2. 异常值监测

3. 替换

4. 数据映射

5. 数值变量类型化

6. 创建哑变量




统计师的Python日记【第7天:数据清洗(1)】


前言


根据我的Python学习计划:


Numpy → Pandas 掌握一些数据清洗、规整、合并等功能 → 掌握类似与SQL的聚合等数据管理功能 → 能够用Python进行统计建模、假设检验等分析技能 → 能用Python打印出100元钱 → 能用Python帮我洗衣服、做饭 → 能用Python给我生小猴子......


上一篇的数据合并,以及本篇的数据清洗,都是非常非常实用的技能。我们用Python做数据分析,其实会有80%的功夫花在这些操作上面。我曾经去德国专门学过如何用做SAS数据清洗,数据清洗有一个专门的流程,涉及到数据缺失处理、变量值覆盖、日期时间数据、异常值、多选题数据处理、文本处理等等。日常项目中,可能随时用到这里面的某个技能,今天,就来学习一下Python的数据清洗吧!


现在有一份心脏病患者的数据,经过问卷调查之后,最终录入数据如下:



 

  • Age:年龄

  • Areas:来自哪里,有A/B/C/D四个地区

  • ID:患者的唯一识别编号

  • Package:每天抽几包烟,缺失的为-9,代表不抽烟

  • SHabit:睡眠习惯,1-早睡早起;2-晚睡早起;3-早睡晚起;4-晚睡晚起


为了学习方便,假设这里就这些变量吧。


看完这个变量说明我不淡定了,这个数据存在很多问题啊!Age是年龄?158是什么鬼??还有6岁小孩,每天抽1包烟?ID是唯一编号吗?为什么有3个1号、2个5号、2个9号、2个10号?

 

这个数据问题太多了,因此我要逐一来清洗一下,顺便学一下数据清洗方面的知识。



1. 删除重复


3个1号、2个5号、2个9号、2个10号。这是数据录入中经常出现的问题——重复录入了,所以首先我要把那么多占空间又没用的重复数据剔除。

 

介绍两个方法:data.duplicated() 和 data.drop_duplicates(),前者标记出哪些是重复的(true),后者直接将重复删除。





所以drop.duplicates直接就将重复值删除了,默认保留第一条。


以上是按照“有两行数据,这两行数据的所有变量值都一样,这么这两行就算重复数据”,但有时候我们会只根据一个变量来剔除重复,比如值根据Areas这个变量,那么A/B/C/D四个地区只会保留第一条,传入take_last=True则保留最后一个:




A/B/C/D每个地区值保留一条数据了。



2. 异常值检测


在第一步剔除重复值之后。得到了无重复数据的data_noDup:



第二步,我想检测一下数据中有没有异常值。首先可以用 describe() 进行一个描述分析,在第五天的学习中(第5天:Pandas,露两手)已经学过如何对数据进行描述:




有两个变量值得我们注意,一个是age,最大值158、最小值6,肯定有问题,另一个是package,最小值是-9,存在缺失。


用 data[条件] 的方式可以看一下有多少age大于100、age小于10,、package为-9的:






好了,检测完毕,现在来处理这些异常值。



3. 替换


我要把异常的年龄替换成缺失,把package等于-9的替换成0(换成0是因为,不抽烟其实也就是抽烟数量为0,这样还能少一些缺失值)。


替换的方式有2种,字典,或者替换关系组成的数组:


(1)data.replace([A, B], [A_R, B_R]),如果这里替换之后的值A_R和B_R是一样的,那么[A_R,B_R]直接是A_R就可以了


(2)data.replace({A:A_R, B:B_R}),这是字典的方式。


所以,这里想要将age的6、158替换成缺失,就应该为:


data_noDup['Age'].replace([158, 6], np.nan)


将package的-9替换成0:


data_noDup['Package'].replace(-9, 0)

 

替换之后的数据命名为data_noDup_rep:





4. 数据映射


接下来的一些处理,是为了变量能够更加便于分析,首先是要进行数据映射。什么是映射呢?以Areas为例,Areas取四个地区:A/B/C/D,这四个地区在分析的时候并没有什么意义,但A/B/C为城市,D为农村,这个很有意义,所以我要根据areas创建新变量CType:U-城市、R-农村,映射关系如下:




方法就是写一个映射字典,把A/B/C变成U,把D变成R:


areas_to_ctype={'A':'U','B':'U','C':'U','D':'R'}


然后使用 map(映射字典) 去创建新变量CType:


data_noDup_rep['CType']=data['Areas'].map(areas_to_ctype)




其实用替换也可以,但是替换是在原列上替换,而映射自己可以新建一个变量。



5. 数值变量类型化


接下来还要处理的变量是年龄Age,需要分成四组,


  • 0:30岁以下,也就是0到30岁

  • 1:30-40岁

  • 2:40-50岁

  • 3:50岁以上,不妨设为50-100岁


这个问题如果用映射MAP的话就麻烦了,每一个年龄都要写一个映射。使用 cut 函数来分割,就可以自己分割成几个组。


1)首先要设置几个分割点:0、30、40、50、100:cutPoint=[0,30, 40, 50,80]


2)接着,用 cut(data, cutPoint) 的格式对age按照cutPoint进行划分:pd.cut(data_noDup_rep['Age'],cutPoint)


3)最后,将这个赋给新变量ageGroup:data_noDup_rep['ageGroup'] =pd.cut(data_noDup_rep['Age'],cutPoint)




这样很不好看有木有?怎么把四个组分别用0、1、2、3来表示呢?


设定一个组标签groupLabel=[0,1,2,3],指定 labels=groupLable 即可。


data_noDup_rep['ageGroup'] =pd.cut(data_noDup_rep['Age'],cutPoint, labels=groupLabel)




一个问题来了,依稀记得之前做过一个项目,样本量有7000,年龄分组是按照分位数来分的,那再python中能否实现?

 

可以的,用 qcut(data, n) 就可以,按照分位数分n组,比如分2组,那么就按照中位数来分,分4组,就按照四分位数来分。对这个例子我分两组:


data_noDup_rep['ageGroup'] =pd.qcut(data_noDup_rep['Age'],2)





6. 创建哑变量


哑变量一般用于两种情况:一是变量值是无序并列的,比如例子中的SHabit,四个选项1234是并列的;另一种就是多选题,也需要生成哑变量。

 

以本例中的SHabit(睡眠情况)为例,四个取值是并列的,没有顺序,因此我们要把这1个问题变成4个:


SHabit(睡眠习惯,1-早睡早起;2-晚睡早起;3-早睡晚起;4-晚睡晚起)

变成:

SHabit_1:是否早睡早起?(0-否,1-是)

SHabit_2:是否晚睡早起?(0-否,1-是)

SHabit_3:是否早睡晚起?(0-否,1-是)

SHabit_4:是否晚睡晚起?(0-否,1-是)

 

使用 get.dummies( data[‘SHabit’] )  就可以直接搞定:




生成了四个变量。要把它合并入原数据data_noDup_rep中去,只要用 merge 就可以了(上一文刚刚介绍过数据的合并,戳复习→第6天:数据合并

 

data_noDup_rep_dum =pd.merge(data_noDup_rep, pd.get_dummies(data_noDup_rep['SHabit']),right_index=True, left_index=True)

 

(注:因为合并键值是索引,因此要用right_index=True和left_index=True)



一个问题:变量名1、2、3、4太丑了!

 

可以在get_dummies函数中加 prefix=’’  选项为名字加一个前缀:

 

data_noDup_rep_dum =pd.merge(data_noDup_rep, pd.get_dummies(data_noDup_rep['SHabit'], prefix='SHabit' ), right_index=True, left_index=True)

 



变量比较多,所以换行显示了。还有一种情况,如果SHabit是多选呢?每个人的睡眠习惯不止一种,像这样:




这样的多选题数据,在分析中肯定一点用没有,处理的方法也是生成哑变量,如何生成?将在【第8天:数据清洗(2)文本分析】中学习,除此之外,还要学习如何进行分列处理、如何处理文本数据中的空白,如何使用正则表达式。





做个小游戏,您觉得本【统计师的Python日记】系列如何?


1、不好——跳转至A


2、好——跳转至2.1


2.1 打赏吗?

打赏——跳转至B

不打赏——跳转至2.2


2.2 点击文末广告?

点击——跳转至C

不点击——跳转至A


A 有什么建议意见呢?您可以在文末评论区留言,帮我做的越来越好!

B 谢谢爷~!劳驾您在文末打赏,我会再接再厉哒!

C 谢谢小哥,谢谢美女~!广告商会给我打赏哒!



1. 稿件转载请在开头注明数说工作室:shushuojun,文末附上二维码


2. 关于数据分析的提问求助直接在微信后台留言。


3. 投稿、免费发布招聘、合作,请加数说君个人微信AnselT,或Email:jiayounet@163.com。


4. 查看所有文章请在后台回复【M】

数说工作室

数据分析师之家 | 算法、技术、人才、资本

微信ID:shushuojun


长按二维码关注数说工作室

 
数说工作室 更多文章 余额宝为什么不该被取缔? 盈余管理的测量 量化投资之多因子选股模型 金融数据挖掘之决策树(ID3) 量化投资之动量反转
猜您喜欢 【原译】webpack 2和babel 6的tree-shaking 大数据如同少年谈性,都好像很明白的样子,但是谁都不怎么明白 redis利用姿势收集 Android Studio 入门技巧之<基础篇> 法国政府正考虑采用开源软件