Pandas數據清理
加入技術交流群
推薦：使用NSDT場景編輯器快速搭建3D應用場景介紹
如果您喜歡數據科學，那么數據清理對您來說可能聽起來像是一個熟悉的術語。如果沒有，讓我向你解釋一下。我們的數據通常來自多個資源，并不干凈。它可能包含缺失值、重復項、錯誤或不需要的格式等。對這些混亂的數據運行實驗會導致不正確的結果。因此，有必要在將數據饋送到模型之前準備數據。通過識別和解決潛在的錯誤、不準確和不一致來準備數據稱為數據清理。
在本教程中，我將引導您完成使用 Pandas 清理數據的過程。
數據我將使用著名的鳶尾花數據集。鳶尾花數據集包含三種鳶尾花的四個特征的測量值：萼片長度、萼片寬度、花瓣長度和花瓣寬度。我們將使用以下庫：
pandas： 用于數據操作和分析的強大庫
Scikit-learn： 提供用于數據預處理和機器學習的工具
使用 Pandas 的 read_csv（） 函數加載鳶尾花數據集：
column_names = ['id', 'sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
iris_data = pd.read_csv('data/Iris.csv', names= column_names, header=0)
iris_data.head()輸出：
| 編號 | sepal_length | sepal_width | petal_length | petal_width | 物種 |
| 1 | 5.1 | 3.5 | 1.4 | 0.2 | 鳶尾花 |
| 2 | 4.9 | 3.0 | 1.4 | 0.2 | 鳶尾花 |
| 3 | 4.7 | 3.2 | 1.3 | 0.2 | 鳶尾花 |
| 4 | 4.6 | 3.1 | 1.5 | 0.2 | 鳶尾花 |
| 5 | 5.0 | 3.6 | 1.4 | 0.2 | 鳶尾花 |
header=0 參數指示 CSV 文件的第一行包含列名（標題）。
2. 瀏覽數據集為了深入了解我們的數據集，我們將使用 pandas 中的內置函數打印一些基本信息
print(iris_data.info()) print(iris_data.describe())
輸出：
RangeIndex: 150 entries, 0 to 149 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 id 150 non-null int64 1 sepal_length 150 non-null float64 2 sepal_width 150 non-null float64 3 petal_length 150 non-null float64 4 petal_width 150 non-null float64 5 species 150 non-null object dtypes: float64(4), int64(1), object(1) memory usage: 7.2+ KB None
iris_data.describe（） 的輸出
info（） 函數可用于了解數據幀的整體結構、每列中非空值的數量以及內存使用情況。而匯總統計數據則提供了數據集中數值要素的概述。
3. 檢查類分布這是了解類如何在分類列中分布的重要步驟，這是分類的重要任務。您可以使用 pandas 中的 value_counts（） 函數執行此步驟。
print(iris_data['species'].value_counts())
輸出：
Iris-setosa 50 Iris-versicolor 50 Iris-virginica 50 Name: species, dtype: int64
我們的結果表明，數據集是平衡的，每個物種的表示數量相等。這為所有 3 個班級的公平評估和比較奠定了基礎。
4. 刪除缺失值由于從 info（） 方法中可以明顯看出我們有 5 列沒有缺失值，因此我們將跳過此步驟。但是，如果遇到任何缺失值，請使用以下命令來處理它們：
iris_data.dropna(inplace=True)5. 刪除重復項
重復項可能會扭曲我們的分析，因此我們會將它們從數據集中刪除。我們將首先使用下面提到的命令檢查它們的存在：
duplicate_rows = iris_data.duplicated()
print("Number of duplicate rows:", duplicate_rows.sum())輸出：
Number of duplicate rows: 0
此數據集沒有任何重復項。盡管如此，可以通過 drop_duplicates（） 函數刪除重復項。
iris_data.drop_duplicates(inplace=True)6. 獨熱編碼
對于分類分析，我們將對物種列執行獨熱編碼。執行此步驟是由于機器學習算法傾向于更好地處理數值數據。獨熱編碼過程將分類變量轉換為二進制（0 或 1）格式。
encoded_species = pd.get_dummies(iris_data['species'], prefix='species', drop_first=False).astype('int')
iris_data = pd.concat([iris_data, encoded_species], axis=1)
iris_data.drop(columns=['species'], inplace=True)
圖片來源：作者
歸一化是將數值特征縮放為平均值為 0 且標準差為 1 的過程。執行此過程是為了確保要素對分析的貢獻相同。我們將規范化浮點值列以實現一致的縮放。
from sklearn.preprocessing import StandardScaler scaler = StandardScaler() cols_to_normalize = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width'] scaled_data = scaler.fit(iris_data[cols_to_normalize]) iris_data[cols_to_normalize] = scaler.transform(iris_data[cols_to_normalize])
規范化
后 iris_data.describe（） 的輸出
將清理后的數據集保存到新的 CSV 文件。
iris_data.to_csv('cleaned_iris.csv', index=False)總結祝賀！您已成功使用 pandas 清理了第一個數據集。在處理復雜數據集時，您可能會遇到其他挑戰。但是，此處提到的基本技術將幫助您入門并準備數據以進行分析。
原文鏈接：Pandas數據清理 (mvrlink.com)
*博客內容為網友個人發布，僅代表博主個人觀點，如有侵權請聯系工作人員刪除。
