数据清洗之数据预处理
摩托车的销售情况数据
- Condition：摩托车新旧情况（new：新的 和used：使用过的）
- Condition_Desc：对当前状况的描述
- Price：价格
- Location：发获地址
- Model_Year：购买年份
- Mileage：里程
- Exterior_Color：车的颜色
- Make：制造商（牌子）
- Warranty：保修
- Model：类型
- Sub_Model：车辆类型
- Type：种类
- Vehicle_Title：车辆主题
- OBO：车辆仪表盘
- Watch_Count：表数
- N_Reviews：评测次数
- Seller_Status：卖家身份
- Auction：拍卖（Ture或者False）
- Buy_Now:现买
- Bid_Count：出价计数
In [ ]:
import numpy as np
import pandas as pd
import os
In [ ]:
os.chdir(r'F:CSDN课程内容代码和数据')
In [ ]:
df = pd.read_csv('MotorcycleData.csv',encoding = 'gbk',na_values='Na')
na_values='Na' 对所有的空字符串做缺失值填充
na_values='used' 对所有的‘used’的数据写成缺失值
1. 重复值处理
In [ ]:
df.head(5)
- 对价格和里程数数据进行处理
In [ ]:
# 自定义一个函数
def f(x):
if '$' in str(x):
x = str(x).strip('$') # 去除
x = str(x).replace(',','') # 替换
else:
x = str(x).replace(',','')
return float(x)
In [ ]:
df['Price'] = df['Price'] .apply(f)
In [ ]:
df['Mileage'] = df['Mileage'].apply(f)
In [ ]:
print ('数据集是否存在重复观测:
', any(df.duplicated()))
In [ ]:
df[df.duplicated()] #查看那些数据重复（全部）
In [ ]:
np.sum(df.duplicated()) #计算重复数量
In [ ]:
df.drop_duplicates() #删除所有变量都重复的行, 注意没有加inplace = True，只会是视图上删除，只有加了才对原始数据改动
In [ ]:
df.drop_duplicates(subset= ['Condition','Condition_Desc','Price','Location'],inplace=True) #按照两个变量重复 来 来去重
In [ ]:
df.info()
2. 缺失值处理
In [ ]:
df.apply(lambda x: sum(x.isnull())/len(x),axis= 0) #缺失比例，超过90%或95%就可以扔了
In [ ]:
#删除法
df.dropna() #直接删除法
In [ ]:
df.dropna(how='any',axis = 1 ) #只要有缺失，就删除这一列
df.dropna(how='all',axis = 1 ) #只有全部缺失，才删除这一列
In [ ]:
df.dropna(how='any',axis = 0) #只要有缺失，就删除这一行，等价于df.dropna()
- axis = 0 或者 1代表的函数在数据集作用的方向，0代表沿着行的方向，1代表沿着列的方向
In [ ]:
df.dropna(axis = 0,how='any',subset=['Condition','Price','Mileage']) # 1代表列，0代表行，只要有缺失，就删除这一行,基于三个变量
在数据分析中，实际上大部分时候都是按照行来进行删除的，很少会基于列来进行删除 列代表的是变量，是否删除删除列很多时候主要取决于缺失比例
使用替换法进行缺失值的填补
- 替换法
In [ ]:
df.head(10)
In [ ]:
df.Mileage.fillna(df.Mileage.mean()) # 年龄这里列 用均值填补
In [ ]:
df.Mileage.fillna(df.Mileage.median()) #中位数填补
In [ ]:
df[df['Exterior_Color'].isnull()]
In [ ]:
df.Exterior_Color.fillna(df.Exterior_Color.mode()[0]) #众数填补mode()[0]，众数可能有好几个，后面表示取第一个
In [ ]:
df.fillna(20) # 所有缺失用20填补
In [ ]:
# 车的颜色使用众数,里程树使用均值
df.fillna(value = {'Exterior_Color':df.Exterior_Color.mode()[0],'Mileage':df.Mileage.mean()})
这里还是没有加inplace=True,所以数据本身没变，只是视图变化了
In [ ]:
df['Exterior_Color'].fillna(method='ffill') #前向填补
In [ ]:
df['Exterior_Color'].fillna(method='bfill') #后向填补
3.异常值处理
df.Price和df['Price']的作用应该是一样的
- 异常值检测可以使用均值的2倍标准差范围，也可以使用上下4分位数差方法
In [ ]:
# 判断年龄有什么异常值
# 剔除户主姓名,户主身份证号和年龄有缺失的样本
df.dropna(axis = 0,how='any',subset=['户主姓名','户主身份证号','age'],inplace = True) #1代表列，0代表行，只要有缺失，就删除这一行,基于三个变量
In [ ]:
# 异常值检测之标准差法
xbar = df.Price.mean() 均值
xstd = df.Price.std() 标准差
print('标准差法异常值上限检测：
',any(df.Price> xbar + 2.5 * xstd))
print('标准差法异常值下限检测：
',any(df.Price< xbar - 2.5 * xstd))
In [ ]:
# 异常值检测之箱线图法
Q1 = df.Price.quantile(q = 0.25) 取25%为分位数
Q3 = df.Price.quantile(q = 0.75)
IQR = Q3 - Q1 分位差
In [ ]:
print('箱线图法异常值上限检测：
',any(df.Price > Q3 + 1.5 * IQR))
print('箱线图法异常值下限检测：
',any(df.Price < Q1 - 1.5 * IQR))
In [ ]:
df.Price.describe()# 对价格进行描述性统计
In [ ]:
import matplotlib.pyplot as plt
%matplotlib inline
In [ ]:
df.Price.plot(kind ='box')
In [ ]:
# 导入绘图模块
import matplotlib.pyplot as plt
# 设置绘图风格
plt.style.use('seaborn')
# 绘制直方图（30条柱子，密度以概率密度）
df.Price.plot(kind = 'hist', bins = 30, density = True)
# 绘制核密度图
df.Price.plot(kind = 'kde')
# 图形展现
plt.show()
In [ ]:
# 用99分位数和1分位数替换
#计算P1和P99
P1 =df.Price.quantile(0.01); P99 = df.Price.quantile(0.99)
#先创建一个新变量，进行赋值，然后将满足条件的数据进行替换
df['Price_new'] = df['Price']
df.loc[df['Price'] > P99,'Price_new'] = P99
df.loc[df['Price'] < P1,'Price_new'] = P1
回忆：#注意loc是标签 #注意iloc是位置
In [ ]:
df[['Price','Price_new']].describe()
4.数据离散化
-
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False)
-
参数：
- x，类array对象，且必须为一维，待切割的原形式
- bins, 整数、序列尺度、或间隔索引。如果bins是一个整数，它定义了x宽度范围内的等宽面元数量，但是在这种情况下，x的范围在每个边上被延长1%，以保证包括x的最小值或最大值。如果bin是序列，它定义了允许非均匀bin宽度的bin边缘。在这种情况下没有x的范围的扩展。
- right,布尔值。是否是左开右闭区间，right=True,左开右闭,right=False,左闭右开
- labels,用作结果箱的标签。必须与结果箱相同长度。如果FALSE，只返回整数指标面元。
- retbins,布尔值。是否返回面元
- precision，整数。返回面元的小数点几位
- include_lowest，布尔值。第一个区间的左端点是否包含
In [ ]:
df.head(5)
In [ ]:
df['Price_bin'] = pd.cut(df['Price_new'],5,labels=range(5))
#切分五大类，把这五份分别取0～5的标签
df['Price_bin'].hist()
- 自定义分段标准和标签
In [ ]:
df['Price_new'].describe()
In [ ]:
w = [100,1000,5000,10000,20000,50000]
In [ ]:
df['Price_bin'] = pd.cut(df['Price_new'], bins =w,labels=['低','便宜','划算','中等','高'],right=False)
In [ ]:
df['Price_bin'].value_counts()
cut的样本是不平均的
q cu t的样本划分下来基本是平均的
- pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates=’raise’)
- 参数：
- x
- q,整数或分位数组成的数组。
- q, 整数 或分位数数组 整数比如 4 代表 按照4分位数 进行切割
- labels, 用作结果箱的标签。必须与结果箱相同长度。如果FALSE，只返回整数指标面元。
- 原理都是基于分位数来进行离散化
In [ ]:
k = 5
w = [1.0*i/k for i in range(k+1)]
w
这里w的作用就是分位
值为[0.0，0.2，0.4，0.6，0.8，1.0]
也就是“等频”
In [ ]:等频分段
df['Price_bin'] = pd.qcut(df['Price_new'],w,labels=range(k))
# 这里的w赋值的是q这个变量
In [ ]:
df['Price_bin'].hist()
- 或者先计算分位数的值
In [ ]:
k = 5
w1 = df['Price_new'].quantile([1.0*i/k for i in range(k+1)])#先计算分位数,在进行分段
w1[0] = w1[0]* 0.95 # 最小值缩小一点
w[-1] = w1[1]* 1.05 # 将最大值增大一点, 目的是为了确保数据在这个范围内
In [ ]:
w1
In [ ]:
df['Price_bin'] = pd.cut(df['Price_new'],w1,labels=range(k))
df['Price_bin'].hist()
#在上面这个例子中，有两种分的方法，其中w啊是先划分一个等频段，w1是先计算了数据本身的等频区间。