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