八個機器學習資料清洗
資料清洗,是進行資料分析和使用資料訓練模型的必經之路,也是最耗費資料科學家/程式設計師精力的地方。
這些用於資料清洗的程式碼有兩個優點:一是由函式編寫而成,不用改引數就可以直接使用。二是非常簡單,加上註釋最長的也不過11行。
在介紹每一段程式碼時,Lee都給出了用途,也在程式碼中也給出註釋。
大家可以把這篇文章收藏起來,當做工具箱使用。
涵蓋8大場景的資料清洗程式碼
這些資料清洗程式碼,一共涵蓋8個場景,分別是:
刪除多列、更改資料型別、將分類變數轉換為數字變數、檢查缺失資料、刪除列中的字串、刪除列中的空格、用字串連線兩列(帶條件)、轉換時間戳(從字串到日期時間格式)
刪除多列
在進行資料分析時,並非所有的列都有用,用df.drop可以方便地刪除你指定的列。
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
轉換資料型別
當資料集變大時,需要轉換資料型別來節省記憶體。
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')
將分類變數轉換為數值變數
一些機器學習模型要求變數採用數值格式。這需要先將分類變數轉換為數值變數。同時,你也可以保留分類變數,以便進行資料視覺化。
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)
檢查缺失資料
如果你要檢查每列缺失資料的數量,使用下列程式碼是最快的方法。可以讓你更好地瞭解哪些列缺失的資料更多,從而確定怎麼進行下一步的資料清洗和分析操作。
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)
刪除列中的字串
有時候,會有新的字元或者其他奇怪的符號出現在字串列中,這可以使用df[‘col_1’].replace很簡單地把它們處理掉。
def remove_col_str(df):
# remove a portion of string in a dataframe column - col_1
df['col_1'].replace('\n', '', regex=True, inplace=True)
# remove all the characters after &# (including &#) for column - col_1
df['col_1'].replace(' &#.*', '', regex=True, inplace=True)
刪除列中的空格
資料混亂的時候,什麼情況都有可能發生。字串開頭經常會有一些空格。在刪除列中字串開頭的空格時,下面的程式碼非常有用。
def remove_col_white_space(df):
# remove white space at the beginning of string
df[col] = df[col].str.lstrip()
用字串連線兩列(帶條件)
當你想要有條件地用字串將兩列連線在一起時,這段程式碼很有幫助。比如,你可以在第一列結尾處設定某些字母,然後用它們與第二列連線在一起。
根據需要,結尾處的字母也可以在連線完成後刪除。
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
轉換時間戳(從字串到日期時間格式)
在處理時間序列資料時,我們很可能會遇到字串格式的時間戳列。
這意味著要將字串格式轉換為日期時間格式(或者其他根據我們的需求指定的格式) ,以便對資料進行有意義的分析。
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='%
原文:https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38
相關文章
- 機器學習-資料清洗機器學習
- 機器學習之資料清洗與特徵提取機器學習特徵
- 機器學習中資料清洗的藝術機器學習
- 資料清洗
- 一個spark清洗資料的demoSpark
- tensorflow資料清洗
- 資料清洗經驗
- 資料清洗和資料處理
- 資料清洗有哪些方法?
- 資料治理為什麼要清洗資料
- 資料質量管理--資料抽取和清洗
- 資料清洗處理-常用操作
- 資料清洗的方法有哪些?
- 還在為資料清洗抓狂?這裡有一個簡單實用的清洗程式碼集
- 資料管理:業務資料清洗,落地實現方案
- 33個機器學習常用資料集機器學習
- 資料清洗和準備 (待更新)
- python 操作 excel 之資料清洗PythonExcel
- 常用資料清洗方法大盤點
- 使用Mysql工具進行資料清洗MySql
- 畢業設計三:資料清洗
- 機器學習如何自動優化資料庫的八卦機器學習優化資料庫
- “一圖勝千言”,資料清洗的5個基本流程
- 資料分析-pandas資料處理清洗常用總結
- Flashtext:大規模資料清洗的利器
- Scikit-Learn 與 TensorFlow 機器學習實用指南學習筆記 3 —— 資料獲取與清洗機器學習筆記
- 手把手教你完成一個資料科學小專案(3):資料異常與清洗資料科學
- 大資料之路 ——(一)演算法建模中的資料清洗大資料演算法
- 利用Python Pandas進行資料預處理-資料清洗Python
- 反映資料質量的八個指標指標
- CIO需要消除八個大資料神話大資料
- 清洗資料,我習慣用這 7 步!
- pandas資料處理清洗案例:中文地址拆分
- DolphinDB +Python Airflow 高效實現資料清洗PythonAI
- data cleaning(資料清洗) 課程筆記筆記
- 最強資料集集合:50個最佳機器學習公共資料集機器學習
- R資料分析:資料清洗的思路和核心函式介紹函式
- python 資料清洗之資料合併、轉換、過濾、排序Python排序