数据清洗
数据清洗是对一些没有用的数据进行处理的过程。
很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。
在这个教程中，我们将利用 Pandas包来进行数据清洗。
处理丢失数据
-
有两种丢失数据：
- None
- np.nan(NaN)
-
两种丢失数据的区别
-
为什么在数据分析中需要用到的是浮点类型的空而不是对象类型？
- 数据分析中会常常使用某些形式的运算来处理原始数据，如果原数数据中的空值为NAN的形式，则不会干扰或者中断运算。
- NAN可以参与运算的
- None是不可以参与运算
-
在pandas中如果遇到了None形式的空值则pandas会将其强转成NAN的形式。
pandas处理空值操作
- isnull
- notnull
- any
- all
- dropna
- fillna
-
方式1：对空值进行过滤（删除空所在的行数据）
- 技术：isnull，notnull，any，all
#哪些行中有空值 #any(axis=1)检测哪些行中存有空值 df.isnull().any(axis=1) #any会作用isnull返回结果的每一行 #true对应的行就是存有缺失数据的行
df.notnull()
df.notnull().all(axis=0) #all 只要有false，则整体就是false
#将布尔值作为源数据的行索引 df.loc[df.notnull().all(axis=1)]
-
方式2：
-
dropna：可以直接将缺失的行或者列进行删除
-
对缺失值进行覆盖
- fillna
df.fillna(value=999) #使用指定值将源数据中所有的空值进行填充
#使用空的近邻值进行填充 #method=ffill向前填充，bfill向后填充 df.fillna(axis=0,method='bfill')
-
-
什么时候用dropna什么时候用fillna
- 尽量使用dropna，如果删除成本比较高，则使用fillna
-
使用空值对应列的均值进行空值填充
for col in df.columns: #检测哪些列中存有空值 if df[col].isnull().sum() > 0:#说明df[col]中存有空值 mean_value = df[col].mean() df[col] = df[col].fillna(value=mean_value)
面试题
- 数据说明：
- 数据是1个冷库的温度数据，1-7对应7个温度采集设备，1分钟采集一次。
- 数据处理目标：
- 用1-4对应的4个必须设备，通过建立冷库的温度场关系模型，预估出5-7对应的数据。
- 最后每个冷库中仅需放置4个设备，取代放置7个设备。
- f(1-4) --> y(5-7)
- 数据处理过程：
- 1、原始数据中有丢帧现象，需要做预处理；
- 2、matplotlib 绘图；
- 3、建立逻辑回归模型。
- 无标准答案，按个人理解操作即可，请把自己的操作过程以文字形式简单描述一下，谢谢配合。
- 测试数据为testData.xlsx
Data:
- 丢帧预处理：
清洗掉none,none1列df.drop(label=['none','none1'],axis=1)
-
删掉空值所在的行
#删除空对应的行数据 data.dropna(axis=0)
处理重复数据
#检测哪些行存有重复的数据
df.duplicated(keep='first')
第1行之所以是false，是因为keep保留了第一个出现的数据，但是3，5行就不保留了。如果keep=last，则保留最后一行数据；keep=false则删除所有数据
df.drop_duplicates(keep='first')删除重复数据
处理异常数据
-
自定义一个1000行3列（A，B，C）取值范围为0-1的数据源，然后将C列中的值大于其两倍标准差的异常值进行清洗
df = DataFrame(data=np.random.random(size=(1000,3)),columns=['A','B','C'])
-
判定条件：c值大于本列的方差的2倍，则为异常数据
#制定判定异常值的条件 twice_std = df['C'].std() * 2 twice_stddf['C'] > twice_std --> 异常值所在列 ～df['C'] > twice_std --> 取反操作 df.loc[~(df['C'] > twice_std)] --> 通过定位非异常值索引来获取正常值