python+数据过滤、清理、转换

本篇博客主要内容

1）移除重复数据（duplicated）

2）利用函数或映射进行数据转换（map）

3）替换值（replace）

4）重命名轴索引

5）检测和过滤异常值（逻辑索引）

6）随机采样或选出随机子集

7）计算哑变量（get_dummies）

1）移除重复数据

检查某列数据是否重复可用.is_unique

检查某行数据是否重复可用.duplicated

import pandas as pd
import numpy as np

data = pd.DataFrame({'k1':['one'] * 3 + ['two'] * 4,'k2':[1,1,2,3,3,4,4]})

data

	k1	k2
0	one	1
1	one	1
2	one	2
3	two	3
4	two	3
5	two	4
6	two	4

检查列以及行中重复数据

data.index.is_unique#检查列

    True

data.k1.is_unique#检查列

    False

data['k2'].is_unique#检查列

    False

data.is_unique

---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

<ipython-input-12-3c5fb82b7563> in <module>()
----> 1 data.is_unique


C:\Program Files\anaconda\lib\site-packages\pandas\core\generic.pyc in __getattr__(self, name)
   2670             if name in self._info_axis:
   2671                 return self[name]
-> 2672             return object.__getattribute__(self, name)
   2673 
   2674     def __setattr__(self, name, value):


AttributeError: 'DataFrame' object has no attribute 'is_unique'

data.duplicated()#检查行

    0    False
    1     True
    2    False
    3    False
    4     True
    5    False
    6     True
    dtype: bool

移除重复行

data.drop_duplicates()

	k1	k2
0	one	1
2	one	2
3	two	3
5	two	4

set(data.k1)#保留唯一的列属性值

    {'one', 'two'}

移除重复值小结

1) drop_duplicates、duolicated函数只能用于DataFrame

2) is_unique不能用于DataFrame

2）利用函数或映射进行数据转换

data1 = pd.DataFrame({'food':['bacon','pork','bacon','Pastrami',                              'beef','Bacon','pastrami','ham','lox'],                      'ounces':[4,3,12,6,7.5,8,3,5,6]})
data1

	food	ounces
0	bacon	4.0
1	pork	3.0
2	bacon	12.0
3	Pastrami	6.0
4	beef	7.5
5	Bacon	8.0
6	pastrami	3.0
7	ham	5.0
8	lox	6.0

添加一列表示肉类来源的动物类型

#step1:构建肉类到动物的映射
meat_to_animal = {'bacon':'pig','pork':'pig','pastrami':'cow','beef':'cow','ham':'pig',                 'lox':'salmon'}

Series的map方法可以接受一个函数或含有映射关系的字典型对象，字符的大小写要一致

#step2：映射
data1['animal'] = data1['food'].map(str.lower).map(meat_to_animal)
data1

	food	ounces	animal
0	bacon	4.0	pig
1	pork	3.0	pig
2	bacon	12.0	pig
3	Pastrami	6.0	cow
4	beef	7.5	cow
5	Bacon	8.0	pig
6	pastrami	3.0	cow
7	ham	5.0	pig
8	lox	6.0	salmon

#step2的另一种实现方法

data1['food'].map(lambda x:meat_to_animal[x.lower()])

    0       pig
    1       pig
    2       pig
    3       cow
    4       cow
    5       pig
    6       cow
    7       pig
    8    salmon
    Name: food, dtype: object

data1

	food	ounces	animal
0	bacon	4.0	pig
1	pork	3.0	pig
2	bacon	12.0	pig
3	Pastrami	6.0	cow
4	beef	7.5	cow
5	Bacon	8.0	pig
6	pastrami	3.0	cow
7	ham	5.0	pig
8	lox	6.0	salmon

map是一种实现元素级转换记忆其他数据清理工作的便捷方式

map会改变原始数据集

3）替换值

替换缺失值的方法：

1）fillna

2）含有重复索引的合并combine_first

3）replace

data2 = pd.Series([1.,-999,2,-999,-1000,3.])
data2

    0       1.0
    1    -999.0
    2       2.0
    3    -999.0
    4   -1000.0
    5       3.0
    dtype: float64

-999可能是一个表示缺失数据的标记值，要将其替换为pandas能够理解的NA值，可以利用replace

data2.replace(-999,np.nan)

    0       1.0
    1       NaN
    2       2.0
    3       NaN
    4   -1000.0
    5       3.0
    dtype: float64

data2

    0       1.0
    1    -999.0
    2       2.0
    3    -999.0
    4   -1000.0
    5       3.0
    dtype: float64

replace不改变原数据集

一次性替换多个值

data2.replace([-999,-1000],np.nan)#一次传入一个列表即可

    0    1.0
    1    NaN
    2    2.0
    3    NaN
    4    NaN
    5    3.0
    dtype: float64

data2.replace([-999,-1000],[np.nan,0])

    0    1.0
    1    NaN
    2    2.0
    3    NaN
    4    0.0
    5    3.0
    dtype: float64

data2.replace({-999:np.nan,-1000:0})

    0    1.0
    1    NaN
    2    2.0
    3    NaN
    4    0.0
    5    3.0
    dtype: float64

4）重命名轴索引

跟Series中的值一样，轴标签也可以通过函数或映射进行转换，从而得到一个新对象，轴还可以被就地修改，而无需新建一个数据结构

data3 = pd.DataFrame(np.arange(12).reshape(3,4),index = ['a','b','c'],columns = ['one','two','three','four'])

data3

	one	two	three	four
a	0	1	2	3
b	4	5	6	7
c	8	9	10	11

data3.index.map(str.upper)

    array(['A', 'B', 'C'], dtype=object)

data3

	one	two	three	four
a	0	1	2	3
b	4	5	6	7
c	8	9	10	11

data3.index = data3.index.map(str.upper)#修改了

data3

	one	two	three	four
A	0	1	2	3
B	4	5	6	7
C	8	9	10	11

还可以通过rename结合字典型对象实现对部分轴标签的更新

data3.rename(index = {'A':'aaa'},columns = {'three':'liu'})

	one	two	liu	four
aaa	0	1	2	3
B	4	5	6	7
C	8	9	10	11

data3#不改变原数据

	one	two	three	four
A	0	1	2	3
B	4	5	6	7
C	8	9	10	11

data3 = data3.rename(index = {'A':'aaa'},columns = {'three':'liu'})

data3

	one	two	liu	four
aaa	0	1	2	3
B	4	5	6	7
C	8	9	10	11

5）检测和过滤异常值

这里的异常值的阈值已知，因此，异常值的过滤或变换运算很大程度上其实就是逻辑数组运算。

data4 = pd.DataFrame(np.random.randn(1000,4))

data4.info()

data4.describe()

	0	1	2	3
count	1000.000000	1000.000000	1000.000000	1000.000000
mean	0.023986	-0.014049	0.032299	-0.037661
std	0.994571	1.003522	1.009939	1.017361
min	-3.526970	-3.298974	-3.429383	-3.421995
25%	-0.632426	-0.685564	-0.665548	-0.756219
50%	0.013326	0.006130	-0.017911	-0.015297
75%	0.633279	0.670261	0.673849	0.665360
max	3.549620	3.142503	3.991028	3.086376

找出某列绝对值大于3的值

data4[3][np.abs(data4[3]) > 3]

    189   -3.421995
    335    3.086376
    590   -3.388477
    778   -3.100379
    Name: 3, dtype: float64

找出全部或含有“超过3或-3的值”的行

(np.abs(data4) > 3).any(1).head()

    0    False
    1    False
    2    False
    3    False
    4    False
    dtype: bool

data4[(np.abs(data4) > 3).any(1)]

	0	1	2	3
109	3.549620	-0.943976	-0.058490	0.941503
189	-0.071249	-1.350361	0.385375	-3.421995
291	2.337961	3.142503	-0.208999	-0.485979
335	0.230998	-1.397259	2.734229	3.086376
447	-3.526970	-0.289467	1.099487	1.206039
464	0.011728	-0.398739	3.104470	0.459924
546	0.357944	0.007063	3.991028	0.722481
573	-3.019947	-0.982651	-1.727289	1.484966
590	0.211069	0.344059	0.656351	-3.388477
660	0.930103	3.117643	-1.372034	-1.208730
663	0.362668	-3.298974	-1.033128	0.900985
778	0.094172	0.827937	2.617724	-3.100379
814	-1.450645	-1.131513	-3.429383	-0.828139
853	1.188536	-3.069987	-0.746700	0.745037
899	2.449030	0.429959	3.025705	-1.571179

替换异常值

data4[np.abs(data4) > 3] = np.sign(data) * 3

data4.isnull().sum()#有空值

    0    3
    1    4
    2    4
    3    4
    dtype: int64

data4 = data4.replace(np.nan,0)

data4.isnull().sum()#无空值

    0    0
    1    0
    2    0
    3    0
    dtype: int64

data4.describe()###?????????

	0	1	2	3
count	1000.000000	1000.000000	1000.000000	1000.000000
mean	0.026983	-0.013941	0.025608	-0.030836
std	0.977152	0.983421	0.986831	0.996554
min	-2.749595	-2.799638	-2.943564	-2.743207
25%	-0.630318	-0.682237	-0.663014	-0.739291
50%	0.012445	0.000613	-0.017171	-0.004484
75%	0.631146	0.668023	0.660236	0.659204
max	2.829804	2.915031	2.907655	2.679495

6）排列和随机采样

1）numpy.random.permutation函数

2）np.random.randint生成随机数

df = pd.DataFrame(np.arange(5 *4).reshape(5,4))

sampler = np.random.permutation(5)

df

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
2	8	9	10	11
3	12	13	14	15
4	16	17	18	19

sampler

    array([0, 1, 3, 4, 2])

df.ix[sampler]

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
3	12	13	14	15
4	16	17	18	19
2	8	9	10	11

df.take(sampler)

	0	1	2	3
0	0	1	2	3
1	4	5	6	7
3	12	13	14	15
4	16	17	18	19
2	8	9	10	11

通过np.random.randint得到一组随机整数

sampler1 = np.random.randint(0,len(df),size = 4)

sampler1

    array([2, 2, 3, 0])

df1 = df.take(sampler1)

df1

	0	1	2	3
2	8	9	10	11
2	8	9	10	11
3	12	13	14	15
0	0	1	2	3

7）计算指标/哑变量

将分类变量（categorical variable）转换为（哑变量矩阵，dummy matrix）或（指标矩阵，indicator matrix）是常用于统计学习建模或机器学习的转换方式。

即 DataFrame的某一列中含有k个不同的值，则可以派生出一个k列矩阵或DataFrame（其值为1或0）。

pandas中的get_dummies函数可以实现以上功能

df2 = pd.DataFrame({'key':['b','a','b','c','a','b'],'data1':range(6)})

df2

	data1	key
0	0	b
1	1	a
2	2	b
3	3	c
4	4	a
5	5	b

pd.get_dummies(df2.key)

	a	b	c
0	0.0	1.0	0.0
1	1.0	0.0	0.0
2	0.0	1.0	0.0
3	0.0	0.0	1.0
4	1.0	0.0	0.0
5	0.0	1.0	0.0

pd.get_dummies(df2['key'],prefix = 'key')

	key_a	key_b	key_c
0	0.0	1.0	0.0
1	1.0	0.0	0.0
2	0.0	1.0	0.0
3	0.0	0.0	1.0
4	1.0	0.0	0.0
5	0.0	1.0	0.0

## get_dummies矩阵和原数据连接

dummies = pd.get_dummies(df2['key'],prefix = 'key')
pd.concat([df2['data1'],dummies],axis = 1)

	data1	key_a	key_b	key_c
0	0	0.0	1.0	0.0
1	1	1.0	0.0	0.0
2	2	0.0	1.0	0.0
3	3	0.0	0.0	1.0
4	4	1.0	0.0	0.0
5	5	0.0	1.0	0.0

df2[['data1']].join(dummies)#Series没有join

	data1	key_a	key_b	key_c
0	0	0.0	1.0	0.0
1	1	1.0	0.0	0.0
2	2	0.0	1.0	0.0
3	3	0.0	0.0	1.0
4	4	1.0	0.0	0.0
5	5	0.0	1.0	0.0

df2[['data1']]#选出的是DataFrame

	data1
0	0
1	1
2	2
3	3
4	4
5	5

df2['data1']#选出的是Series

0    0
1    1
2    2
3    3
4    4
5    5
Name: data1, dtype: int64