pandas对波形异常数据处理实战

做数据分析很大一部分工作量都是在对数据处理，因为数据来源的质量问题，不能保证所有的数据都是正常的。对于数据分析和处理来说pandas无疑是常用的利器。下面通过一个实例来用pandas对波形异常数据进行实战处理

读取数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
df_data=pd.read_csv('data\HRTrend测试波形.csv')
df_data

从csv导入的数据是文本字符串类型的，用《Python将列表中的数据写入csv并正确读取解析》中介绍的方法将文本数据转成列表。

def str2list(str):
    return np.fromstring(str[1:-1], sep=' ')

df_data['HRTrend']=df_data['HRTrend'].apply(str2list)
df_data

用plt查看图形

fig,axes = plt.subplots(3,4,figsize=(12,4))
i=0
for x in range(3):
    for y in range(4):
        axes[x,y].plot(df_data['HRTrend'][i])
        i=i+1

从图形上看出现了异常。我们抽一个数据进行查看，发现前后有很多空值，并且在数据中也存在缺失值。

df_data['HRTrend'][0]

plt.plot(df_data['HRTrend'][0])

用plt画出图形，可以看到因为有缺失值所以图形并不连续。

异常数据处理

为了更好的展示图像，为以后的数据分析准备数据，我们需要将前后的空值去掉，对于中间存在的异常值我们可以用前值或后值进行填充。

# 定义一个方法，先将空值用0填充，然后去首尾的0，再将中间存在异常的值用前值填充。
def ruledata(df_cloumn):
    ps=pd.Series(df_cloumn).fillna(0) #先将为空值用0填充
    values=pd.Series(np.trim_zeros(ps)).replace(to_replace=0, method='ffill').values #去首尾0,然后用异常值填充
    return values
df_data['rule_HRTrend']=df_data['HRTrend'].apply(ruledata) #将异常数据处理的方法进行应用处理异常值

fig,axes = plt.subplots(3,4,figsize=(12,4))
i=0
for x in range(3):
    for y in range(4):
        axes[x,y].plot(df_data['rule_HRTrend'][i])
        i=i+1

最后可以发现经过异常值修复后图形变得正常连续了。

---

博客地址：http://xiejava.ishareread.com/