数据清洗，是进行数据分析和使用数据训练模型的必经之路，也是最耗费数据科学家/程序员精力的地方。
这些用于数据清洗的代码有两个优点：一是由函数编写而成，不用改参数就可以直接使用。二是非常简单，加上注释最长的也不过11行。
大家可以把这篇文章收藏起来，当做工具箱使用。
涵盖8大场景的数据清洗代码
这些数据清洗代码，一共涵盖8个场景，分别是：
删除多列、更改数据类型、将分类变量转换为数字变量、检查缺失数据、删除列中的字符串、删除列中的空格、用字符串连接两列（带条件）、转换时间戳（从字符串到日期时间格式）
删除多列
在进行数据分析时，并非所有的列都有用，用df.drop可以方便地删除你指定的列。
<span style="color: #0000ff">def</span><span style="color: #000000"> drop_multiple_col(col_names_list, df): </span><span style="color: #800000">"""</span><span style="color: #800000"> AIM -> Drop multiple columns based on their column names INPUT -> List of column names, df OUTPUT -> updated df with dropped columns ------ </span><span style="color: #800000">"""</span><span style="color: #000000"> df.drop(col_names_list, axis</span>=1, inplace=<span style="color: #000000">True) </span><span style="color: #0000ff">return</span> df
www#gaodaima.com来源gaodai^.ma#com搞#代!码网搞代码
转换数据类型
当数据集变大时，需要转换数据类型来节省内存。
<span style="color: #0000ff">def</span><span style="color: #000000"> change_dtypes(col_int, col_float, df): </span><span style="color: #800000">"""</span><span style="color: #800000"> AIM -> Changing dtypes to save memory INPUT -> List of column names (int, float), df OUTPUT -> updated df with smaller memory ------ </span><span style="color: #800000">"""</span><span style="color: #000000"> df[col_int] </span>= df[col_int].astype(<span style="color: #800000">"</span><span style="color: #800000">int32</span><span style="color: #800000">"</span><span style="color: #000000">) df[col_float] </span>= df[col_float].astype(<span style="color: #800000">"</span><span style="color: #800000">float32</span><span style="color: #800000">"</span>)
将分类变量转换为数值变量
一些机器学习模型要求变量采用数值格式。这需要先将分类变量转换为数值变量。同时，你也可以保留分类变量，以便进行数据可视化。
<span style="color: #0000ff">def</span><span style="color: #000000"> convert_cat2num(df):
</span><span style="color: #008000">#</span><span style="color: #008000"> Convert categorical variable to numerical variable</span>
num_encode = {<span style="color: #800000">"</span><span style="color: #800000">col_1</span><span style="color: #800000">"</span> : {<span style="color: #800000">"</span><span style="color: #800000">YES</span><span style="color: #800000">"</span>:1, <span style="color: #800000">"</span><span style="color: #800000">NO</span><span style="color: #800000">"</span><span style="color: #000000">:0},
</span><span style="color: #800000">"</span><span style="color: #800000">col_2</span><span style="color: #800000">"</span> : {<span style="color: #800000">"</span><span style="color: #800000">WON</span><span style="color: #800000">"</span>:1, <span style="color: #800000">"</span><span style="color: #800000">LOSE</span><span style="color: #800000">"</span>:0, <span style="color: #800000">"</span><span style="color: #800000">DRAW</span><span style="color: #800000">"</span><span style="color: #000000">:0}}
df.replace(num_encode, inplace</span>=True)
检查缺失数据
如果你要检查每列缺失数据的数量，使用下列代码是最快的方法。可以让你更好地了解哪些列缺失的数据更多，从而确定怎么进行下一步的数据清洗和分析操作。
<span style="color: #0000ff">def</span><span style="color: #000000"> check_missing_data(df): </span><span style="color: #008000">#</span><span style="color: #008000"> check for any missing data in the df (display in descending order)</span> <span style="color: #0000ff">return</span> df.isnull().sum().sort_values(ascending=False)
删除列中的字符串
有时候，会有新的字符或者其他奇怪的符号出现在字符串列中，这可以使用df[‘col_1’].replace很简单地把它们处理掉。
<span style="color: #0000ff">def</span><span style="color: #000000"> remove_col_str(df): </span><span style="color: #008000">#</span><span style="color: #008000"> remove a portion of string in a dataframe column - col_1</span> df[<span style="color: #800000">"</span><span style="color: #800000">col_1</span><span style="color: #800000">"</span>].replace(<span style="color: #800000">""</span>, <span style="color: #800000">""</span>, regex=True, inplace=<span style="color: #000000">True) </span><span style="color: #008000">#</span><span style="color: #008000"> remove all the characters after (including ) for column - col_1</span> df[<span style="color: #800000">"</span><span style="color: #800000">col_1</span><span style="color: #800000">"</span>].replace(<span style="color: #800000">"</span><span style="color: #800000"> .*</span><span style="color: #800000">"</span>, <span style="color: #800000">""</span>, regex=True, inplace=True)
删除列中的空格
数据混乱的时候，什么情况都有可能发生。字符串开头经常会有一些空格。在删除列中字符串开头的空格时，下面的代码非常有用。
<span style="color: #0000ff">def</span><span style="color: #000000"> remove_col_white_space(df): </span><span style="color: #008000">#</span><span style="color: #008000"> remove white space at the beginning of string</span> df[col] = df[col].str.lstrip()
用字符串连接两列（带条件）
当你想要有条件地用字符串将两列连接在一起时，这段代码很有帮助。比如，你可以在第一列结尾处设定某些字母，然后用它们与第二列连接在一起。
根据需要，结尾处的字母也可以在连接完成后删除。
<span style="color: #0000ff">def</span><span style="color: #000000"> concat_col_str_condition(df): </span><span style="color: #008000">#</span><span style="color: #008000"> concat 2 columns with strings if the last 3 letters of the first column are "pil"</span> <span style="color: #000000"> mask </span>= df[<span style="color: #800000">"</span><span style="color: #800000">col_1</span><span style="color: #800000">"</span>].str.endswith(<span style="color: #800000">"</span><span style="color: #800000">pil</span><span style="color: #800000">"</span>, na=<span style="color: #000000">False) col_new </span>= df[mask][<span style="color: #800000">"</span><span style="color: #800000">col_1</span><span style="color: #800000">"</span>] + df[mask][<span style="color: #800000">"</span><span style="color: #800000">col_2</span><span style="color: #800000">"</span><span style="color: #000000">] col_new.replace(</span><span style="color: #800000">"</span><span style="color: #800000">pil</span><span style="color: #800000">"</span>, <span style="color: #800000">"</span> <span style="color: #800000">"</span>, regex=True, inplace=True) <span style="color: #008000">#</span><span style="color: #008000"> replace the "pil" with emtpy space</span>
转换时间戳（从字符串到日期时间格式）
在处理时间序列数据时，我们很可能会遇到字符串格式的时间戳列。
这意味着要将字符串格式转换为日期时间格式(或者其他根据我们的需求指定的格式) ，以便对数据进行有意义的分析。
<span style="color: #0000ff">def</span><span style="color: #000000"> convert_str_datetime(df): </span><span style="color: #800000">"""</span><span style="color: #800000"> AIM -> Convert datetime(String) to datetime(format we want) INPUT -> df OUTPUT -> updated df with new datetime format ------ </span><span style="color: #800000">"""</span><span style="color: #000000"> df.insert(loc</span>=2, column=<span style="color: #800000">"</span><span style="color: #800000">timestamp</span><span style="color: #800000">"</span>, value=pd.to_datetime(df.transdate, format=<span style="color: #800000">"</span><span style="color: #800000">%Y-%m-%d %H:%M:%S.%f</span><span style="color: #800000">"</span>))
<br><br>
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
以上文章来源于公众号 QbitAI，作者Kin Lim Lee
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：可直接使用的8个数据清洗的代码
转载请注明原文链接：可直接使用的8个数据清洗的代码
