原作 Kin Lim Lee

乾明 編譯整理

量子位 出品 | 公眾號 QbitAI

最近，大數據工程師Kin Lim Lee在Medium上發表了一篇文章，介紹了8個用於數據清洗的Python代碼。

數據清洗，是進行數據分析和使用數據訓練模型的必經之路，也是最耗費數據科學家/工程師精力的地方。

這些用於數據清洗的代碼有兩個優點：一是由函數編寫而成，不用改參數就可以直接使用。二是非常簡單，加上註釋最長的也不過11行。

在介紹每一段代碼時，Lee都給出了用途，也在代碼中也給出註釋。

大家可以把這篇文章收藏起來，當做工具箱使用。

涵蓋8大場景的數據清洗代碼

這些數據清洗代碼，一共涵蓋8個場景，分別是：

刪除多列、更改數據類型、將分類變量轉換為數字變量、檢查缺失數據、刪除列中的字符串、刪除列中的空格、用字符串連接兩列（帶條件）、轉換時間戳（從字符串到日期時間格式）

刪除多列

在進行數據分析時，並非所有的列都有用，用df.drop可以方便地刪除你指定的列。

def drop_multiple_col(col_names_list, df): 
 '''
 AIM -> Drop multiple columns based on their column names 
 INPUT -> List of column names, df
 OUTPUT -> updated df with dropped columns 
 ------
 '''
 df.drop(col_names_list, axis=1, inplace=True)
 return df

轉換數據類型

當數據集變大時，需要轉換數據類型來節省內存。

def change_dtypes(col_int, col_float, df): 
 '''
 AIM -> Changing dtypes to save memory
 INPUT -> List of column names (int, float), df
 OUTPUT -> updated df with smaller memory 
 ------
 '''
 df[col_int] = df[col_int].astype('int32')
 df[col_float] = df[col_float].astype('float32')

將分類變量轉換為數值變量

一些機器學習模型要求變量採用數值格式。這需要先將分類變量轉換為數值變量。同時，你也可以保留分類變量，以便進行數據可視化。

def convert_cat2num(df):
 # Convert categorical variable to numerical variable
 num_encode = {'col_1' : {'YES':1, 'NO':0},
 'col_2' : {'WON':1, 'LOSE':0, 'DRAW':0}} 
 df.replace(num_encode, inplace=True) 

檢查缺失數據

如果你要檢查每列缺失數據的數量，使用下列代碼是最快的方法。可以讓你更好地了解哪些列缺失的數據更多，從而確定怎麼進行下一步的數據清洗和分析操作。

def check_missing_data(df):
 # check for any missing data in the df (display in descending order)
 return df.isnull().sum().sort_values(ascending=False)

刪除列中的字符串

有時候，會有新的字符或者其他奇怪的符號出現在字符串列中，這可以使用df[‘col_1’].replace很簡單地把它們處理掉。

def remove_col_str(df):
 # remove a portion of string in a dataframe column - col_1
 df['col_1'].replace('\n', '', regex=True, inplace=True)
 # remove all the characters after  (including ) for column - col_1
 df['col_1'].replace(' .*', '', regex=True, inplace=True)

刪除列中的空格

數據混亂的時候，什麼情況都有可能發生。字符串開頭經常會有一些空格。在刪除列中字符串開頭的空格時，下面的代碼非常有用。

def remove_col_white_space(df):
 # remove white space at the beginning of string 
 df[col] = df[col].str.lstrip()

用字符串連接兩列（帶條件）

當你想要有條件地用字符串將兩列連接在一起時，這段代碼很有幫助。比如，你可以在第一列結尾處設定某些字母，然後用它們與第二列連接在一起。

根據需要，結尾處的字母也可以在連接完成後刪除。

def concat_col_str_condition(df):

# concat 2 columns with strings if the last 3 letters of the first column are ‘pil’

mask = df[‘col_1’].str.endswith(‘pil’, na=False)

col_new = df[mask][‘col_1’] + df[mask][‘col_2’]

col_new.replace(‘pil’, ‘ ‘, regex=True, inplace=True) # replace the ‘pil’ with emtpy space

轉換時間戳（從字符串到日期時間格式）

在處理時間序列數據時，我們很可能會遇到字符串格式的時間戳列。

這意味著要將字符串格式轉換為日期時間格式(或者其他根據我們的需求指定的格式) ，以便對數據進行有意義的分析。

def convert_str_datetime(df): 
 '''
 AIM -> Convert datetime(String) to datetime(format we want)
 INPUT -> df
 OUTPUT -> updated df with new datetime format 
 ------
 '''
 df.insert(loc=2, column='timestamp', value=pd.to_datetime(df.transdate, format='%Y-%m-%d %H:%M:%S.%f')) 

最後，附上原文傳送門~

https://towardsdatascience.com/the-simple-yet-practical-data-cleaning-codes-ad27c4ce0a38

— 完 —

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

量子位 QbitAI · 頭條號簽約作者

վ’ᴗ’ ի 追蹤AI技術和產品新動態