怎么用Jupyter Notebook对数据集进行清洗和标注

数据清洗是数据预处理的一部分，是数据分析和建模前必须进行的重要步骤。数据清洗可以帮助我们解决数据中包含的噪声、异常值、缺失值、重复数据等问题，从而提高数据的质量和可靠性。如果不进行数据清洗，可能会影响后续的数据分析和建模结果，甚至产生误导性的结论。因此，在进行任何数据分析和建模之前，必须对数据进行清洗和预处理。

简单的基本操作步骤

一、使用Jupyter Notebook对数据集进行清洗和标注的具体步骤如下：

1. 打开Jupyter Notebook，创建一个新的notebook文件。

2. 在notebook中导入pandas库，可以使用以下代码：

   import pandas as pd
   

• 读取数据集文件，可以使用pandas库中的read_csv()函数，例如：

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

其中'data.csv'为数据集文件的路径和文件名，可以根据实际情况进行修改。

• 对数据集进行清洗和标注，可以使用pandas库中的各种函数和方法进行处理，例如：

  • 去除重复数据：使用drop_duplicates()函数，例如：df.drop_duplicates(inplace=True)

  • 缺失值填充：使用fillna()函数，例如：df['age'].fillna(df['age'].mean(), inplace=True)

  • 异常值处理：使用df[]语句删除异常值，例如：df = df[df['age'] <= 100]

  • 数据标注：使用map()函数将文本数据标注为数字，例如：

    occupation_dict = {'Engineer': 1, 'Manager': 2, 'Doctor': 3, 'Teacher': 4, 'Lawyer': 5, 'CEO': 6, 'Designer': 7, 'Journalist': 8, 'Programmer': 9}
    df['occupation'] = df['occupation'].map(occupation_dict)
    

• 处理完成后，可以使用to_csv()函数将清洗和标注后的数据保存成新文件，例如：

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

其中'cleaned_data.csv'为保存的文件名和路径，index=False表示不保存索引列。

效果

原始数据如下：

name,age,gender,occupation
Alice,250,Female,Engineer
Bob,30,Male,Manager
Charlie,40,Male,Doctor
David,28,Male,Teacher
David,28,Male,Teacher
Emily,35,Female,Lawyer
Frank,45,Male,CEO
Grace,27,Designer
Hannah,32,Female,Journalist
Isaac,38,Male,Programmer

清洗后的数据：

---

二、也可以用URL导入数据集文件：在Jupyter Notebook中使用pandas库中的read_csv()函数可以直接从URL导入数据集文件，例如：

url = 'https://raw.githubusercontent.com/xxx/data.csv'
df = pd.read_csv(url)

其中url为数据集文件的URL地址，可以将其替换为实际的URL地址。

举例：

可以使用UCI Machine Learning Repository网站提供的Iris数据集作为示例。该数据集包含150个样本，每个样本有4个特征（萼片长度、萼片宽度、花瓣长度和花瓣宽度），共分为3类（山鸢尾、变色鸢尾和维吉尼亚鸢尾）。

为了创建一个包含缺失数据、重复数据和错误数据的数据集，可以使用以下代码对Iris数据集进行修改：

import pandas as pd
import numpy as np

# 读取Iris数据集
iris = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data', header=None)
iris.columns = ['sepal length', 'sepal width', 'petal length', 'petal width', 'class']

# 添加缺失数据
iris.iloc[1, 1] = np.nan
iris.iloc[3, 2] = np.nan
iris.iloc[6, 0] = np.nan
iris.iloc[8, 3] = np.nan

# 添加重复数据
iris = pd.concat([iris, iris.iloc[0:10]], axis=0).reset_index(drop=True)

# 添加错误数据
iris.iloc[10, 2] = 'error'
iris.iloc[20, 1] = -1

# 保存数据集
iris.to_csv('iris_with_errors.csv', index=False)

这个示例代码中，首先从UCI Machine Learning Repository网站读取Iris数据集，然后对数据集进行以下修改：

1. 添加缺失数据：在第2行、第4行、第7行和第9行分别添加缺失数据。
2. 添加重复数据：将前10行数据复制一遍，然后添加到原数据集的末尾。
3. 添加错误数据：在第11行中，将第3列数据设置为'error'；在第21行中，将第2列数据设置为-1。