Bagaimana untuk melakukan pembersihan dan pemprosesan data dalam Python

Cara melakukan pembersihan dan pemprosesan data dalam Python

Pembersihan dan pemprosesan data adalah langkah yang sangat penting dalam analisis data dan proses perlombongan. Pembersihan dan pemprosesan data boleh membantu kami menemui masalah, kehilangan atau anomali dalam data dan bersedia untuk analisis dan pemodelan data seterusnya. Artikel ini akan memperkenalkan cara menggunakan Python untuk pembersihan dan pemprosesan data, serta memberikan contoh kod khusus.

1. Import perpustakaan yang diperlukan

Pertama, kita perlu mengimport beberapa perpustakaan yang diperlukan, seperti panda dan numpy.

import pandas as pd
import numpy as np

2. Memuatkan data

Kami perlu memuatkan set data untuk dibersihkan dan diproses. Fail CSV boleh dimuatkan menggunakan fungsi read_csv() pustaka panda. read_csv()函数加载CSV文件。

data = pd.read_csv('data.csv')

3. 查看数据

在开始清洗和处理数据之前，我们可以先查看一下数据的基本情况，如数据的形状、列名、前几行等。

print(data.shape)        # 打印数据的形状
print(data.columns)      # 打印列名
print(data.head())       # 打印前几行数据

4. 处理缺失值

接下来，我们需要处理数据中的缺失值。缺失值可能会影响后续的数据分析和建模结果。有多种方法可以处理缺失值，如删除包含缺失值的行或列、填充缺失值等。

删除包含缺失值的行或列：

data.dropna()                    # 删除包含缺失值的行
data.dropna(axis=1)              # 删除包含缺失值的列

填充缺失值：

data.fillna(0)                   # 用0填充缺失值
data.fillna(data.mean())         # 用均值填充缺失值

5. 处理重复值

数据中的重复值也可能会影响分析结果，因此我们需要处理重复值。可以使用pandas库的drop_duplicates()

data.drop_duplicates()           # 删除重复值

Lihat data
Sebelum mula membersihkan dan memproses data, kita boleh menyemak keadaan asas data dahulu, seperti bentuk data, nama lajur, beberapa baris pertama , dsb.

mean = data['column'].mean()                           
std = data['column'].std()                            

data = data[~((data['column'] - mean) > 3 * std)]      

Mengendalikan Nilai Yang Hilang

Seterusnya, kita perlu mengendalikan nilai yang hilang dalam data. Nilai yang hilang boleh menjejaskan analisis data dan hasil pemodelan seterusnya. Terdapat banyak cara untuk mengendalikan nilai yang hilang, seperti memadamkan baris atau lajur yang mengandungi nilai yang hilang, mengisi nilai yang hilang, dsb.
7. Padamkan baris atau lajur yang mengandungi nilai yang tiada:

data['column'] = np.log(data['column'])               

Isi nilai yang tiada:

data['column'] = (data['column'] - data['column'].min()) / (data['column'].max() - data['column'].min())

Kendalikan nilai pendua

Nilai pendua dalam data, jadi kami juga boleh menjejaskan keputusan analisis perlu Mengendalikan nilai pendua. Nilai pendua boleh dialih keluar menggunakan fungsi drop_duplicates() pustaka panda.

data.to_csv('cleaned_data.csv', index=False)          

8. Mengendalikan outlier

Outlier ialah nilai yang berbeza secara ketara daripada pemerhatian lain dalam set data, yang mungkin berat sebelah keputusan analisis. Pelbagai kaedah statistik boleh digunakan untuk mengesan dan mengendalikan outlier.

Sebagai contoh, menggunakan kaedah sisihan piawai 3 kali untuk mengesan dan mengendalikan outlier:

rrreee
Transformasi data🎜🎜🎜Kadangkala, kita perlu melakukan beberapa transformasi pada data untuk analisis dan pemodelan yang lebih baik. Contohnya, penjelmaan logaritma, normalisasi, dsb. 🎜🎜Transformasi log: 🎜rrreee🎜Penormalan: 🎜rrreee🎜🎜Simpan data yang dibersihkan🎜🎜🎜Akhir sekali, kami boleh menyimpan data yang telah dibersihkan dan diproses ke fail CSV baharu untuk kegunaan seterusnya. 🎜rrreee🎜Ringkasan: 🎜🎜Artikel ini memperkenalkan langkah khusus tentang cara melakukan pembersihan dan pemprosesan data dalam Python, dan menyediakan contoh kod yang sepadan. Pembersihan dan pemprosesan data ialah pautan penting dalam analisis data dan proses perlombongan, yang boleh meningkatkan ketepatan dan kebolehpercayaan analisis dan pemodelan seterusnya. Dengan menguasai teknik ini, kami boleh memproses dan menganalisis data dengan lebih baik. 🎜

Atas ialah kandungan terperinci Bagaimana untuk melakukan pembersihan dan pemprosesan data dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!