数据分析03 /基于pandas的数据清洗级联合并

Posted liubing8

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据分析03 /基于pandas的数据清洗级联合并相关的知识,希望对你有一定的参考价值。

数据分析03 /基于pandas的数据清洗、级联、合并

1. 处理丢失的数据

  • 两种丢失的数据:

    1. 种类

      None:None是对象类型,type(None):NoneType

      np.nan(NaN):是浮点型,type(np.nan):float

    2. 两种丢失数据的区别:

      object类型比float在进行运算耗时

  • 测试两种耗时时间:

    import numpy as np
    %timeit np.arange(1000,dtype=object).sum()
    # 结果:
    63.4 μs ± 1.02 μs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
    
    %timeit np.arange(1000,dtype=float).sum()
    # 结果:
    6.45 μs ± 84.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

2. pandas处理空值操作

  • pandas中的None和NAN

    df = DataFrame(np.random.randint(0,100,size=(8,6)))
    df.iloc[2,3] = np.nan
    df.iloc[5,5] = None   # 在内部会强转成浮点型
    df.iloc[5,3] = np.nan
    df.iloc[7,2] = np.nan
    df
    0 1 2 3 4 5
    0 0 81 60.0 92.0 99 1.0
    1 62 67 98.0 41.0 43 80.0
    2 82 77 6.0 NaN 42 64.0
    3 63 30 63.0 22.0 99 24.0
    4 97 60 68.0 85.0 24 35.0
    5 44 59 50.0 NaN 29 NaN
    6 65 0 4.0 74.0 35 83.0
    7 17 78 NaN 33.0 61 6.0
  • 对空值对应的行数据进行删除

    # 实现:Series、DataFrame都可以用isnull()
    df.isnull()   # 判断哪些元素为空值
    0 1 2 3 4 5
    0 False False False False False False
    1 False False False False False False
    2 False False False True False False
    3 False False False False False False
    4 False False False False False False
    5 False False False True False True
    6 False False False False False False
    7 False False True False False False

    1.清洗有空值的行

    # 查看哪些行存在空值数据
    
    df.isnull().all(axis=1)   # 一般结合notnull()使用
    # 结果:
    # 0    False
    # 1    False
    # 2    False
    # 3    False
    # 4    False
    # 5    False
    # 6    False
    # 7    False
    # dtype: bool
    
    df.isnull().any(axis=1)
    # 结果:
    # 0    False
    # 1    False
    # 2     True
    # 3    False
    # 4    False
    # 5     True
    # 6    False
    # 7     True
    # dtype: bool
    
    df.notnull().all(axis=1)
    # 结果:
    # 0     True
    # 1     True
    # 2    False
    # 3     True
    # 4     True
    # 5    False
    # 6     True
    # 7    False
    # dtype: bool
    
    # 清洗有空值的行
    df.loc[df.notnull().all(axis=1)]
    
    # isnull()   --> any:true表示其对应的行中存在空值
    # notnull()  --> all:False表示其对应的行中存在空值  
    0 1 2 3 4 5
    0 45 98 41.0 65.0 90 50.0
    1 65 87 99.0 34.0 97 71.0
    3 35 19 38.0 54.0 91 24.0
    4 62 86 62.0 54.0 87 38.0
    6 60 99 15.0 32.0 54 16.0

    2.直接使用dropna函数过滤空值对应的行数据

    # drop系列:行用axis=0,列用axis=1
    df.dropna(axis=0)
    0 1 2 3 4 5
    0 45 98 41.0 65.0 90 50.0
    1 65 87 99.0 34.0 97 71.0
    3 35 19 38.0 54.0 91 24.0
    4 62 86 62.0 54.0 87 38.0
    6 60 99 15.0 32.0 54 16.0
  • 将空值进行填充

    # 任意填充
    df.fillna(value=666)   # 将空值都填充成value值
    
    # 推荐使用空值近邻的值进行填充
    df.fillna(method='ffill',axis=1)  # axis轴向,method=ffill(向前),bfill(向后填充)
    
    # 如果发现还是有空值
    df.fillna(method='bfill',axis=1).fillna(method='ffill',axis=1)
    0 1 2 3 4 5
    0 0.0 81.0 60.0 92.0 99.0 1.0
    1 62.0 67.0 98.0 41.0 43.0 80.0
    2 82.0 77.0 6.0 6.0 42.0 64.0
    3 63.0 30.0 63.0 22.0 99.0 24.0
    4 97.0 60.0 68.0 85.0 24.0 35.0
    5 44.0 59.0 50.0 50.0 29.0 29.0
    6 65.0 0.0 4.0 74.0 35.0 83.0
    7 17.0 78.0 78.0 33.0 61.0 6.0

3. 数据清洗案例

  • 需求:

    • 数据说明:
      • 数据是1个冷库的温度数据,1-7对应7个温度采集设备,1分钟采集一次。
    • 数据处理目标:
      • 用1-4对应的4个必须设备,通过建立冷库的温度场关系模型,预估出5-7对应的数据。
      • 最后每个冷库中仅需放置4个设备,取代放置7个设备。
      • f(1-4) --> y(5-7)
    • 数据处理过程:
      • 1、原始数据中有丢帧现象,需要做预处理;
      • 2、matplotlib 绘图;
      • 3、建立逻辑回归模型。
    • 无标准答案,按个人理解操作即可,请把自己的操作过程以文字形式简单描述一下,谢谢配合。
    • 测试数据为testData.xlsx
  • 代码实现:

    time none 1 2 3 4 none1 5 6 7
    2019/1/27 17:00 -24.8 -18.2 -20.8 -18.8 NULL NULL NULL
    2019/1/27 17:01 -23.5 -18.8 -20.5 -19.8 -15.2 -14.5 -16
    2019/1/27 17:02 -23.2 -19.2 NULL NULL -13 NULL -14
    2019/1/27 17:03 -22.8 -19.2 -20 -20.5 NULL -12.2 -9.8
    2019/1/27 17:04 -23.2 -18.5 -20 -18.8 -10.2 -10.8 -8.8
    # 预处理,将excel数据读取出来,将空列none、none1删除
    df = pd.read_excel('./data/testData.xlsx')
    df.drop(labels=['none','none1'],axis=1,inplace=True)
    df
    
    # 删除空值所在的行,如果删除的代价较大,选择填充
    df.dropna(axis=0)
    
    # 填充
    new_df = df.fillna(axis=0,method='ffill').fillna(axis=0,method='bfill')
    # 检车空值填充的情况
    new_df.isnull().any(axis=0)
    
    # 结果:
    # time    False
    # 1       False
    # 2       False
    # 3       False
    # 4       False
    # 5       False
    # 6       False
    # 7       False
    # dtype: bool

4. 处理重复的数据

  • 准备数据:

    df = DataFrame(data=np.random.randint(0,100,size=(10,8)))
    df.iloc[1] = [1,1,1,1,1,1,1,1]
    df.iloc[3] = [1,1,1,1,1,1,1,1]
    df.iloc[5] = [1,1,1,1,1,1,1,1]
    df.iloc[7] = [1,1,1,1,1,1,1,1]
    df
    0 1 2 3 4 5 6 7
    0 85 27 59 81 14 65 86 17
    1 1 1 1 1 1 1 1 1
    2 65 2 69 44 99 12 75 37
    3 1 1 1 1 1 1 1 1
    4 47 63 62 9 77 36 15 90
    5 1 1 1 1 1 1 1 1
    6 7 38 2 5 93 86 4 92
    7 1 1 1 1 1 1 1 1
    8 22 12 45 93 29 42 96 59
    9 11 10 49 60 45 58 23 53
  • 填充重复的数据

    df.drop_duplicates(keep='last')
    
    # keep = 'first'  表示第一行保留
    # keep = 'last'  表示最后一行保留
    # keep = 'False'  表示全部都进行填充
    0 1 2 3 4 5 6 7
    0 85 27 59 81 14 65 86 17
    2 65 2 69 44 99 12 75 37
    4 47 63 62 9 77 36 15 90
    6 7 38 2 5 93 86 4 92
    7 1 1 1 1 1 1 1 1
    8 22 12 45 93 29 42 96 59
    9 11 10 49 60 45 58 23 53

5. 处理异常的数据

  • 需求:自定义一个1000行3列(A,B,C)取值范围为0-1的数据源,然后将C列中的值大于其两倍标准差的异常值进行清洗

  • 实现:

    # 一个1000行3列(A,B,C)取值范围为0-1的数据源
    df = DataFrame(data=np.random.random(size=(1000,3)),columns=['A','B','C'])
    df.head()
    A B C
    0 0.483195 0.786152 0.169980
    1 0.000227 0.593595 0.378660
    2 0.859977 0.190864 0.885891
    3 0.790337 0.898124 0.244129
    4 0.212919 0.687666 0.827701
    # 计算两倍标准差
    std_twice = df['C'].std() * 2
    
    #判定异常值的条件
    df.loc[~(df['C'] > std_twice)]

6. 级联

  • pd.concat:pandas使用pd.concat函数,与np.concatenate函数类似

    参数说明:
        objs
        axis=0
        keys
        join='outer' / 'inner':表示的是级联的方式,outer会将所有的项进行级联(忽略匹配和不匹配),而inner只会将匹配的项级联到一起,不匹配的不级联
        ignore_index=False
  • 匹配级联

    df1 = DataFrame({'employee':['Bobs','Linda','Bill'],
                    'group':['Accounting','Product','Marketing'],
                   'hire_date':[1998,2017,2018]})
    pd.concat((df1,df1),axis=0)
    employee group hire_date
    0 Bobs Accounting 1998
    1 Linda Product 2017
    2 Bill Marketing 2018
    0 Bobs Accounting 1998
    1 Linda Product 2017
    2 Bill Marketing 2018
  • 不匹配级联

    • 不匹配指的是级联的维度的索引不一致。纵向级联时列索引不一致,横向级联时行索引不一致
    • 有2种连接方式:
      • 外连接:补NaN(默认模式)
      • 内连接:只连接匹配的项
    df2 = df1.copy()
    df2.columns = ['employee','groupps','hire_date']
    
    """
      employee    groupps      hire_date
    0  Bobs       Accounting     1998
    1  Linda      Product        2017
    2  Bill       Marketing      2018
    """
    
    pd.concat((df1,df2),axis=0)
    employee group groupps hire_date
    0 Bobs Accounting NaN 1998
    1 Linda Product NaN 2017
    2 Bill Marketing NaN 2018
    0 Bobs NaN Accounting 1998
    1 Linda NaN Product 2017
    2 Bill NaN Marketing 2018
  • join

    inner:只对可以匹配的项进行级联

    outer:可以级联所有的项

    pd.concat((df1,df2),axis=0,join='inner')
    employee hire_date
    0 Bobs 1998
    1 Linda 2017
    2 Bill 2018
    0 Bobs 1998
    1 Linda 2017
    2 Bill 2018
  • append函数的使用

    append只可以进行纵向的级联

    df1.append(df2)

7. 合并操作

  • 合并概述:

    • merge与concat的区别在于,merge需要依据某一共同列来进行合并
    • 使用pd.merge()合并时,会自动根据两者相同column名称的那一列,作为key来进行合并。
    • 注意每一列元素的顺序不要求一致
  • 一对一合并

    df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                    'group':['Accounting','Engineering','Engineering'],
                    })
    
    df2 = DataFrame({'employee':['Lisa','Bob','Jake'],
                    'hire_date':[2004,2008,2012],
                    })
    
    pd.merge(df1,df2,on='employee')

    df表格如下:

    employee group hire_date
    0 Lisa Accounting 2004
    1 Jake Engineering 2016

    df2表格如下:

    group supervisor
    0 Accounting Carly
    1 Engineering Guido
    2 Engineering Steve

    合并表格如下:

    employee group hire_date
    0 Bob Accounting 2008
    1 Jake Engineering 2012
    2 Lisa Engineering 2004
  • 多对多合并

    df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                     'group':['Accounting','Engineering','Engineering']})
    
    df5 = DataFrame({'group':['Engineering','Engineering','HR'],
                    'supervisor':['Carly','Guido','Steve']
                    })
    pd.merge(df1,df5,how='outer')

    df1表格如下:

    employee group
    0 Bob Accounting
    1 Jake Engineering
    2 Lisa Engineering

    df5表格如下:

    group supervisor
    0 Engineering Carly
    1 Engineering Guido
    2 HR Steve

    合并表格如下:

    employee group supervisor
    0 Bob Accounting NaN
    1 Jake Engineering Carly
    2 Jake Engineering Guido
    3 Lisa Engineering Carly
    4 Lisa Engineering Guido
    5 NaN HR Steve
  • key的规范化

    1.当列冲突时,即有多个列名称相同时,需要使用on=来指定哪一个列作为key,配合suffixes指定冲突列名

    df1 = DataFrame({'employee':['Jack',"Summer","Steve"],
                     'group':['Accounting','Finance','Marketing']})
    
    df2 = DataFrame({'employee':['Jack','Bob',"Jake"],
                     'hire_date':[2003,2009,2012],
                    'group':['Accounting','sell','ceo']})
    
    pd.merge(df1,df2,on='group')

    df1表格如下:

    employee group
    0 Jack Accounting
    1 Summer Finance
    2 Steve Marketing

    df2表格如下:

    employee group hire_date
    0 Jack Accounting 2003
    1 Bob sell 2009
    2 Jake ceo 2012

    合并表格如下:

    employee_x group employee_y hire_date
    0 Jack Accounting Jack 2003

    2.当两张表没有可进行连接的列时,可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列

    df1 = DataFrame({'employee':['Bobs','Linda','Bill'],
                    'group':['Accounting','Product','Marketing'],
                   'hire_date':[1998,2017,2018]})
    
    df5 = DataFrame({'name':['Lisa','Bobs','Bill'],
                    'hire_dates':[1998,2016,2007]})
    
    pd.merge(df1,df5,left_on='employee',right_on='name',how='outer')

    df1表格如下:

    employee group hire_date
    0 Bobs Accounting 1998
    1 Linda Product 2017
    2 Bill Marketing 2018

    df5表格如下:

    hire_dates name
    0 1998 Lisa
    1 2016 Bobs
    2 2007 Bill

    合并表格如下:

    employee group hire_date hire_dates name
    0 Bobs Accounting 1998.0 2016.0 Bobs
    1 Linda Product 2017.0 NaN NaN
    2 Bill Marketing 2018.0 2007.0 Bill
    3 NaN NaN NaN 1998.0 Lisa

以上是关于数据分析03 /基于pandas的数据清洗级联合并的主要内容,如果未能解决你的问题,请参考以下文章

大数据清洗3(pandas - 基本数据结构)

Pandas光速入门-一文掌握数据操作

Pandas 必知必会的18个实用技巧,值得收藏!

这20个Pandas函数,堪称数据清洗杀手!

数据清洗框架Pandas入门

pandas使用to_sql方法将dataframe注册为数据库表进行数据整合和数据清洗并不对比SQL操作和dataframe操作