一文带你深入了解Python中的数据清洗
这里数据清洗需要用到的库是pandas库，下载方式还是在终端运行 ： pip install pandas.
首先我们需要对数据进行读取
- import pandas as pd
- data = pd.read_csv(r‘E:\python\用户价值分析 RFM模型\data.csv’)
- pd.set_option(‘display.max_columns’, 888) # 大于总列数
- pd.set_option(‘display.width’, 1000)
- print(data.head())
- print(data.info())
第3行是对数据进行读取，pandas库里面有读取函数调用即可，csv格式是读取写入速度最快的。
第4，5行是为了读取的实话显示全部的列，是因为很多列的话pycharm会把中间一些列隐藏掉，所以我们这为了他不隐藏就加这两行代码。
第6行是显示表头，我们可以看到有什么字段，列名
第7行是显示表的基本信息，每一列有多少数据，字段是什么类型的数据。非空的数据有多少，所以我们第一步就可以看得到基本那一列有空值了。
空值处理
data.info()后我们可以看到大部分数据都有541909行，所以我们大致猜到是Description ，CustomerID 列漏结果了
- # 空值处理
- print(data.isnull().sum()) # 空值中和，查看每一列的空值
- # 空值删除
- data.drop(columns=[‘Description’], inplace=True)
- print(data.info())
- data.isnull()判断是否为空。data.isnumll().sum()计算空值数量。
第5行进行空值删除，这里先删除Description列的空值，inplace=True意思是对数据进行修改，如果没有inplace=True，则不对data进行修改，打印数据还是和之前一样，或者重新定义一个变量进行赋值。
由于这一列空值数据比较少，这一列数据对我们数据分析没有那么重要，所以我们选择删除这一整列。
我们这个表是对客户进行筛选的，所以以CustomerID为准，强制删除其他列
- # CustomerID有空值
- # 删除所有列的空值
- data.dropna(inplace=True)
- # print(data.info())
- print(data.isnull().sum()) # 由于CustomerID为必须字段，所以强制删除其他列，以CustomerID为准
这里我们先对其他字段进行类型转换
类型转换
- # 转换为日期类型
- data[‘InvoiceDate’] = pd.to_datetime(data[‘InvoiceDate’])
- # CustomerID 转换为整型
- data[‘CustomerID’] = data[‘CustomerID’].astype(‘int’)
- print(data.info())
以上我们处理了空值，接下来我们处理异常值。
异常值处理
查看表的基本数据分布可以使用describe
- print(data.describe())
可以看到数据Quantity 列中最小值为-80995.这列明显有异常值，所以需要对这一列进行异常值筛选。
只需要大于0的值。
- data = data[data[‘Quantity’] > 0]
- print(data)
打印一下就只有397924行了。
重复值处理
- # 查看重复值
- print(data[data.duplicated()])
有5194行重复值，这里的重复值是完全重复的，所以是没用的数据我们可以进行删除。
删除重复值
- # 删除重复值
- data.drop_duplicates(inplace=True)
- print(data.info())
删除后对原来的表进行保存，再去查看一下表的基本信息
现在还剩下392730条数据。数据到这一步就完成了数据清洗。空值，异常值，重复值，类型转换。后面一篇文章是对数据进行分析。
到此这篇关于一文带你深入了解Python中的数据清洗的文章就介绍到这了,更多相关Python数据清洗内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！
发表评论