文摘：使用Python进行数据清洗

原文地址：http://bluewhale.cc/2016-08-21/python-data-cleaning.html

数据清洗是一项复杂且繁琐(kubi)的工作，同时也是整个数据分析过程中最为重要的环节。有人说一个分析项目80%的时间都是在清洗数据，这听起来有些匪夷所思，但在实际的工作中确实如此。数据清洗的目的有两个，第一是通过清洗让数据可用。第二是让数据变的更适合进行后续的分析工作。换句话说就是有”脏”数据要洗，干净的数据也要洗。本篇文章将介绍几种简单的使用python进行数据清洗的方法。

开始之前还是先在python中导入需要使用的库文件，然后进行数据读取，并创建名为loandata的数据表。这里为了更好的展示清洗的步骤和结果，我们使用的是lendingclub公开数据中的一小部分。

1 2 3

import numpy as np import pandas as pd loandata=pd.DataFrame(pd.read_excel('loandata.xlsx'))

数据清洗的目的有两个，第一是通过清洗让脏数据变的可用。这也是我们首先要解决的问题。无论是线下人工填写的手工表，还是线上通过工具收集到的数据，又或者是CRM系统中导出的数据。很多数据源都有一些这样或者那样的问题，例如：数据中的重复值，异常值，空值，以及多余的空格和大小写错误的问题。下面我们逐一进行处理。

数据表中的重复值

第一个要处理的问题是数据表中的重复值，pandas中有两个函数是专门用来处理重复值的，第一个是duplicated函数。Duplicated函数用来查找并显示数据表中的重复值。下面是使用这个函数对数据表进行重复值查找后的结果。

1	loandata.duplicated()

这里有两点需要说明：第一，数据表中两个条目间所有列的内容都相等时duplicated才会判断为重复值。(Duplicated也可以单独对某一列进行重复值判断)。第二，duplicated支持从前向后(first)，和从后向前(last)两种重复值查找模式。默认是从前向后进行重复值的查找和判断。换句话说就是将后出现的相同条件判断为重复值。在前面的表格中索引为4的1311748和索引为1的条目相同。默认情况下后面的条目在重复值判断中显示为True。

Pandas中的drop_duplicates函数用来删除数据表中的重复值，判断标准和逻辑与duplicated函数一样。使用drop_duplicates函数后，python将返回一个只包含唯一值的数据表。下面是使用drop_duplicates函数后的结果。与原始数据相比减少了3行，仔细观察可以发现，drop_duplicates默认也是使用了first模式删除了索引为4的重复值，以及后面的另外两个重复值。

1	loandata.drop_duplicates()

数据表中的空值

第二个要处理的问题是数据表中的空值，在python中空值被显示为NaN。在处理空值之前我们先来检查下数据表中的空值数量。对于一个小的数据表，我们可以人工查找，但对于较为庞大的数据表，就需要寻找一个更为方便快捷的方法了。首先，对关键字段进行空值查找。这里我们分别选择了对loan_amnt字段和annual_inc字段查找空值。

Pandas中查找数据表中空值的函数有两个，一个是函数isnull，如果是空值就显示True。另一个函数notnull正好相反，如果是空值就显示False。以下两个函数的使用方法以及通过isnull函数获得的空值数量。

1	loandata.isnull()

1	loandata.notnull()

通过isnull函数和value_counts函数分别获得了loan_amnt列和annual_inc列中的空值数据量。

对于空值有两种处理的方法，第一种是使用fillna函数对空值进行填充，可以选择填充0值或者其他任意值。第二种方法是使用dropna函数直接将包含空值的数据删除。

1	loandata.fillna(0)

1	loandata.dropna()

这里我们选择对空值数据进行填充，首先处理loan_amnt列中的空值。通过totalpymnt字段和total_tec_int字段值相减计算出loan_amnt列中的近似值。因为这里除了利息以外还可能包括一些逾期费，手续费和罚息等，所以只能获得一个实际贷款金额近似值。由于贷款金额通常是一个整数，因此我们在代码的最后对格式进行了转换。

1	loandata['loan_amnt']=loandata['loan_amnt'].fillna(loandata['total_pymnt']-loandata['total_rec_int']).astype(np.int64)

对于annual_inc列，在原始数据表中没有可用的辅助列进行计算，因此我们选择用现有数据的均值进行填充。这里可以看到贷款用户的收入均值为50060美金。使用这个值对annual_inc中的空值进行填充。

1	loandata['annual_inc']=loandata['annual_inc'].fillna(loandata['annual_inc'].mean())

数据间的空格

第三个要处理的是数据中的空格。空格会影响我们后续会数据的统计和计算。从下面的结果中就可以看出空格对于常规的数据统计造成的影响。

查看数据中的空格
我们再对loan_status列进行频率统计时，由于空格的问题，相同的贷款状态被重复计算。造成统计结果不可用。因此，我们需要解决字段中存在的空格问题。

1	loandata['loan_status'].value_counts()

去除数据中的空格
Python中去除空格的方法有三种，第一种是去除数据两边的空格，第二种是单独去除左边的空格，第三种是单独去除右边的空格。

1	loandata['term']=loandata['term'].map(str.strip)

1	loandata['term']=loandata['term'].map(str.lstrip)

1	loandata['term']=loandata['term'].map(str.rstrip)

这里我们使用去除两边的空格来处理loan_status列中的空格。以下是具体的代码和去除空格后的结果。

重新查看loan_status列中每种贷款状态的频率，之前空格造成的影响已经没有了，但这里还有个问题，就是大小写的问题。因此，我们还需要对每种贷款状态的大小写进行统一化处理。这是我们第四个要处理的问题。

大小写转换

大小写转换的方法也有三种可以选择，分别为全部转换为大写，全部转换为小写，和转换为首字母大写。

1	loandata['term']=loandata['term'].map(str.upper)

1	loandata['term']=loandata['term'].map(str.lower)

1	loandata['term']=loandata['term'].map(str.title)

这里我们将所有贷款状态转换为首字母大写模式，并再次进行频率统计。从下面的结果中可以看出，结果以及消除了空格和大小写字母混乱的影响。清晰的显示了贷款的三种状态出现的频率。

最后我们还需要对数据表中关键字段的内容进行检查，确保关键字段中内容的统一。主要包括数据是否全部为字符，或数字。下面我们对emp_length列进行检验，此列内容由数字和字符组成，如果只包括字符，说明可能存在问题。下面的代码中我们检查该列是否全部为字符。答案全部为False。

1	loandata['emp_length'].apply(lambda x: x.isalpha())

除此之外，还能检验该列的内容是否全部为字母或数字。或者是否全部为数字。

1	loandata['emp_length'].apply(lambda x: x. isalnum ())

1	loandata['emp_length'].apply(lambda x: x. isdigit ())

数据中的异常和极端值

第五个要处理的问题是数据中的异常值和极端值，发现异常值和极端值的方法是对数据进行描述性统计。使用describe函数可以生成描述统计结果。其中我们主要关注最大值(max)和最小值(min)情况。

检查异常和极端值
下面是对数据表进行描述统计的结果，其中loan_amnt的最大值和最小值分别为100000美金和36美金，这不符合业务逻辑，因此可以判断为异常值。

1	loandata.describe().astype(np.int64).T

异常数据替换
对于异常值数据我们这里选择使用replace函数对loan_amnt的异常值进行替换，这里替换值选择为loan_amnt的均值。下面是具体的代码和替换结果。

1	loandata.replace([100000,36],loandata['loan_amnt'].mean())

数据清洗的第二个目的是让数据更加适合后续的分析工作。提前对数据进行预处理，后面的挖掘和分析工作会更加高效。这些预处理包括数据格式的处理，数据分组和对有价值信息的提取。下面我们逐一来介绍这部分的操作过程和使用到的函数。

更改数据格式

第一步是更改和规范数据格式，所使用的函数是astype。下面是更改数据格式的代码。对loan_amnt列中的数据，由于贷款金额通常为整数，因此我们数据格式改为int64。如果是利息字段，由于会有小数，因此通常设置为float64。

1	loandata['loan_amnt']=loandata['loan_amnt'].astype(np.int64)

在数据格式中还要特别注意日期型的数据。日期格式的数据需要使用to_datatime函数进行处理。下面是具体的代码和处理后的结果。

1	loandata['issue_d']=pd.to_datetime(loandata['issue_d'])

格式更改后可以通过dtypes函数来查看，下面显示了每个字段的数据格式。

1	loandata.dtypes

数据分组

第二步是对数据进行分组处理，在数据表的open_acc字段记录了贷款用户的账户数量，这里我们可以根据账户数量的多少对用户进行分级，5个账户以下为A级，5-10个账户为B级，依次类推。下面是具体的代码和处理结果。

1 2 3

bins = [0, 5, 10, 15, 20] group_names = ['A', 'B', 'C', 'D'] loandata['categories'] = pd.cut(loandata['open_acc'], bins, labels=group_names)

首先设置了数据分组的依据，然后设置每组对应的名称。最后使用cut函数对数据进行分组并将分组后的名称添加到数据表中。

数据分列

第四步是数据分列，这个操作和Excel中的分列功能很像，在原始数据表中grade列中包含了两个层级的用户等级信息，现在我们通过数据分列将分级信息进行拆分。数据分列操作使用的是split函数，下面是具体的代码和分列后的结果。

1	grade_split = pd.DataFrame((x.split('-') for x in loandata.grade),index=loandata.index,columns=['grade','sub_grade'])

完成数据分列操作后，使用merge函数将数据匹配会原始数据表，这个操作类似Excel中的Vlookup函数的功能。通过匹配原始数据表中包括了分列后的等级信息。以下是具体的代码和匹配后的结果。

1	loandata=pd.merge(loandata,grade_split,right_index=True, left_index=True)