数据分析 --- 03.数据清洗, 拼接,替换, 映射,排序,分类

一.数据清洗

- 清洗空值
- 清洗重复值
- 清洗异常值


数据的导入与导出:参考博客:
https://www.cnblogs.com/dev-liu/p/pandas_2.html

 

  1.清洗空值

有两种丢失数据:
  None
  None是Python自带的,其类型为python object。因此,None不能参与到任何计算中。
  np.nan(NaN)
  np.nan是浮点类型,能参与到计算中。但计算的结果总是NaN。

 

  ①.pandas中的None与NaN

pandas中None与np.nan都视作np.nan

创建含空值的数据

from pandas import Series,DataFrame
import pandas as pd
import numpy as np
df = DataFrame(data=np.random.randint(0,100,size=(10,8)))
df.iloc[1,3] = None
df.iloc[3,5] = np.nan
df.iloc[6,2] = None
df.iloc[8,5] = np.nan
df

 

  ② 删除整行记录

  第一种通过判断

 

 

 

  第二种 通过装饰好的内置函数

df.dropna() 可以选择过滤的是行还是列(默认为行):axis中0表示行,1表示的列

 

 

  ③填充数据

fillna():value和method参数

value : 直接写要填充的值

method: ffill :以前面为基础填充
     bfill: 以后面为基础填充

axis: 0 : 列
    1 : 行

 

  2.清洗重复值

   ①创建有重复的数据

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

df = DataFrame(data=np.random.randint(0,100,size=(8,5)))

df.iloc[2] = [6,6,6,6,6]
df.iloc[4] = [6,6,6,6,6]
df.iloc[6] = [6,6,6,6,6]
df

 

   ② 使用duplicated 进行去重

参数:
     keep: 
      first:保留第一个 last: 保留最后一个

 

 

  ③ 使用drop_duplicates()函数删除重复的行

drop_duplicates(keep='first/last'/False)

 

 

  3.清洗异常值

   ①创建数据

df = DataFrame(data=np.random.random(size=(1000,3)),columns=['A','B','C'])

 

要求:

  对df应用筛选条件,去除标准差太大的数据:假设过滤条件为 C列数据大于两倍的C列标准差
std_2 = df['C'].std() * 2
std_2

#
0.5888958710508151

# 取反

~(df['C'] > std_2)

 

 

最终:

df.loc[~(df['C'] > std_2)]

 

 二. pandas的拼接操作

  1.级联(表的拼接)

pd.concat,

参数:
    objs
    axis=  0 :列
      1 :行    keys    join='outer' / 'inner':表示的是级联的方式,outer会将所有的项进行级联(忽略匹配和不匹配),
            而inner只会将匹配的项级联到一起,不匹配的不级联    ignore_index=False

pd.append

 

 

  ①创建数据

import numpy as np
from pandas import DataFrame,Series
import pandas as pd
df1 = DataFrame(data=np.random.randint(0,100,size=(4,4)),index=['A','B','C','D'],columns=['a','b','c','d'])
df2 = DataFrame(data=np.random.randint(0,100,size=(4,4)),index=['A','B','C','E'],columns=['a','b','c','e'])

 

  ②匹配的级联

 

   ③不匹配的级联

不匹配指的是级联的维度的索引不一致。例如纵向级联时列索引不一致,横向级联时行索引不一致

有2种连接方式:

  外连接:补NaN(默认模式)
  内连接:只连接匹配的项

 

  2.合并(数据的拼接)

 

使用pd.merge()合并
merge与concat的区别在于,merge需要依据某一共同的列来进行合并

使用pd.merge()合并时,会自动根据两者相同column名称的那一列,作为key来进行合并。

注意每一列元素的顺序不要求一致

参数:
  how:outer取并集 不存在时用 NaN补充, inner取交集, left:以左侧为准, right:以右侧为准
  on:当有多列相同的时候,可以使用on来指定使用那一列进行合并,on的值为一个列表

 

  ①一对一合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                'group':['Accounting','Engineering','Engineering'],
                })
df2 = DataFrame({'employee':['Lisa','Bob','Jake'],
                'hire_date':[2004,2008,2012],
                })

 

 

 

   ②多对一合并

df3 = DataFrame({
    'employee':['Lisa','Jake'],
    'group':['Accounting','Engineering'],
    'hire_date':[2004,2016]})
df4 = DataFrame({'group':['Accounting','Engineering','Engineering'],
                       'supervisor':['Carly','Guido','Steve']
                })

 

 

 

   ③多对多合并

df1 = DataFrame({'employee':['Bob','Jake','Lisa'],
                 'group':['Accounting','Engineering','Engineering']})
df5 = DataFrame({'group':['Engineering','Engineering','HR'],
                'supervisor':['Carly','Guido','Steve']
                })

 

 

 

 

   ④ key的标准化

第一种:

当列冲突时,即有多个列名称相同时,需要使用on=来指定哪一个列作为key,配合suffixes指定冲突列名

 

 

 

第二种:

当两张表没有可进行连接的列时,可使用left_on和right_on手动指定merge中左右两边的哪一列列作为连接的列

 

 

 

   ⑤内合并和外合并

 

 

 

 三.替换 (replace)

  1.单值替换

普通替换: 替换所有符合要求的元素:to_replace=15,value='e'
按列指定单值替换: to_replace={列标签:替换值}

 

 

 

  2.多值替换

 

 

 四. 映射(map)

 

map()可以映射新一列数据
map()中可以使用lambd表达式
map()中可以使用方法,可以是自定义的方法

eg:map({to_replace:value})

注意 map()中不能使用sum之类的函数,for循环

 

 

 

map当做一种运算工具,至于执行何种运算,是由map函数的参数决定的(参数:lambda,函数)
#超过3000部分的钱缴纳50%的税
def after_sal(s):
    return s - (s - 3000)*0.5

 

 

五.排序(随机抽样)

使用.take()函数排序
  - take()函数接受一个索引列表,用数字表示,使得df根据列表中索引的顺序进行排序
  - eg:df.take([1,3,4,2,5])
  

  可以借助np.random.permutation()函数随机排序

    np.random.permutation(x)可以生成x个从0-(x-1)的随机数列

    
df.take(axis=1,indices=np.random.permutation(3)).take(axis=0,indices=np.random.permutation(1000))
df.take(axis=1,indices=np.random.permutation(3)).take(axis=0,indices=np.random.permutation(1000))[0:100]

 

 

 

 六. 数据分类处理(重点)

数据聚合是数据处理的最后一步,通常是要使每一个数组生成一个单一的数值。

数据分类处理:

 - 分组:先把数据分为几组
 - 用函数处理:为不同组的数据应用不同的函数以转换数据
 - 合并:把不同组得到的结果合并起来
 
数据分类处理的核心:
     - groupby()函数
     - groups属性查看分组情况
     - eg: df.groupby(by='item').groups

 

 

from pandas import DataFrame,Series
df = DataFrame({'item':['Apple','Banana','Orange','Banana','Orange','Apple'],
                'price':[4,3,3,2.5,4,2],
               'color':['red','yellow','yellow','green','green','green'],
               'weight':[12,20,50,30,20,44]})
df

 

 

 

 

 

七.高级数据聚合

 

使用groupby分组后,也可以使用transform和apply提供自定义函数实现更多的运算
  df.groupby(
'item')['price'].sum() <==> df.groupby('item')['price'].apply(sum)   transform和apply都会进行运算,在transform或者apply中传入函数即可   transform和apply也可以传入一个lambda表达式

 

# 函数

def fun(s): sum
= 0 for i in s: sum+=i return sum/s.size

 

  1. apply

 

 

  2. transform(可以直接合并,更加方便)

 

 

八.案例:

  1. 美国各州人口数据分析

需求:
  导入文件,查看原始数据
  将人口数据和各州简称数据进行合并
  将合并的数据中重复的abbreviation列进行删除
  查看存在缺失数据的列
  找到有哪些state/region使得state的值为NaN,进行去重操作
  为找到的这些state/region的state项补上正确的值,从而去除掉state这一列的所有NaN
  合并各州面积数据areas
  我们会发现area(sq.mi)这一列有缺失数据,找出是哪些行
  去除含有缺失数据的行
  找出2010年的全民人口数据
  计算各州的人口密度
  排序,并找出人口密度最高的五个州 df.sort_values()

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

   2.美国2012年总统候选人政治献金数据分析

 

 1.读取文件usa_election.txt
 
 2.查看文件样式及基本信息
 
 3.【知识点】使用map函数+字典,新建一列各个候选人所在党派party
 
 4.使用np.unique()函数查看colums:party这一列中有哪些元素
 
 5.使用value_counts()函数,统计party列中各个元素出现次数,value_counts()是Series中的,无参,返回一个带有每个元素出现次数的Series
 
 6.【知识点】使用groupby()函数,查看各个党派收到的政治献金总数contb_receipt_amt
 
 7.查看具体每天各个党派收到的政治献金总数contb_receipt_amt 。使用groupby([多个分组参数])
 
 8. 将表中日期格式转换为'yyyy-mm-dd'。日期格式,通过函数加map方式进行转换
 
 9.得到每天各政党所收政治献金数目。  考察知识点:groupby(多个字段)
 
 10.【知识点】使用unstack()将上面所得数据中的party行索引变成列索引
 
 11.查看老兵(捐献者职业)DISABLED VETERAN主要支持谁  :查看老兵们捐赠给谁的钱最多
 
 12.把索引变成列,Series变量.reset_index()
 
 13.找出各个候选人的捐赠者中,捐赠金额最大的人的职业以及捐献额  .通过query("查询条件来查找捐献人职业")

 

import numpy as np
import pandas as pd
from pandas import Series,DataFrame

 

months = {'JAN' : 1, 'FEB' : 2, 'MAR' : 3, 'APR' : 4, 'MAY' : 5, 'JUN' : 6,
          'JUL' : 7, 'AUG' : 8, 'SEP' : 9, 'OCT': 10, 'NOV': 11, 'DEC' : 12}
of_interest = ['Obama, Barack', 'Romney, Mitt', 'Santorum, Rick', 
               'Paul, Ron', 'Gingrich, Newt']
parties = {
  'Bachmann, Michelle': 'Republican',
  'Romney, Mitt': 'Republican',
  'Obama, Barack': 'Democrat',
  "Roemer, Charles E. 'Buddy' III": 'Reform',
  'Pawlenty, Timothy': 'Republican',
  'Johnson, Gary Earl': 'Libertarian',
  'Paul, Ron': 'Republican',
  'Santorum, Rick': 'Republican',
  'Cain, Herman': 'Republican',
  'Gingrich, Newt': 'Republican',
  'McCotter, Thaddeus G': 'Republican',
  'Huntsman, Jon': 'Republican',
  'Perry, Rick': 'Republican'           
 }

 

读取数据

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

posted @ 2019-06-10 19:38  TNTsc  阅读(887)  评论(0编辑  收藏  举报