python数据清洗代码_8个数据清洗Python代码，复制可用，最长11行｜资源

原作 Kin Lim Lee乾明 编译整理量子位 出品 | 公众号 QbitAI

最近&＃xff0c;大数据工程师Kin Lim Lee在Medium上发表了一篇文章&＃xff0c;介绍了8个用于数据清洗的Python代码。

数据清洗&＃xff0c;是进行数据分析和使用数据训练模型的必经之路&＃xff0c;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&＃xff1a;一是由函数编写而成&＃xff0c;不用改参数就可以直接使用。二是非常简单&＃xff0c;加上注释最长的也不过11行。

在介绍每一段代码时&＃xff0c;Lee都给出了用途&＃xff0c;也在代码中也给出注释。

大家可以把这篇文章收藏起来&＃xff0c;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&＃xff0c;一共涵盖8个场景&＃xff0c;分别是&＃xff1a;

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&＃xff0c;并非所有的列都有用&＃xff0c;用df.drop可以方便地删除你指定的列。

def drop_multiple_col(col_names_list, df): &＃39;&＃39;&＃39; AIM -> Drop multiple columns based on their column names INPUT -> List of column names, df OUTPUT -> updated df with dropped columns ------ &＃39;&＃39;&＃39; df.drop(col_names_list, axis&＃61;1, inplace&＃61;True) return df

转换数据类型

当数据集变大时&＃xff0c;需要转换数据类型来节省内存。

def change_dtypes(col_int, col_float, df): &＃39;&＃39;&＃39; AIM -> Changing dtypes to save memory INPUT -> List of column names (int, float), df OUTPUT -> updated df with smaller memory ------ &＃39;&＃39;&＃39; df[col_int] &＃61; df[col_int].astype(&＃39;int32&＃39;) df[col_float] &＃61; df[col_float].astype(&＃39;float32&＃39;)

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&＃xff0c;你也可以保留分类变量&＃xff0c;以便进行数据可视化。

def convert_cat2num(df):# Convert categorical variable to numerical variable num_encode &＃61; {&＃39;col_1&＃39; : {&＃39;YES&＃39;:1, &＃39;NO&＃39;:0}, &＃39;col_2&＃39; : {&＃39;WON&＃39;:1, &＃39;LOSE&＃39;:0, &＃39;DRAW&＃39;:0}} df.replace(num_encode, inplace&＃61;True)

检查缺失数据

如果你要检查每列缺失数据的数量&＃xff0c;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&＃xff0c;从而确定怎么进行下一步的数据清洗和分析操作。

def check_missing_data(df):# check for any missing data in the df (display in descending order) return df.isnull().sum().sort_values(ascending&＃61;False)

删除列中的字符串

有时候&＃xff0c;会有新的字符或者其他奇怪的符号出现在字符串列中&＃xff0c;这可以使用df[‘col_1’].replace很简单地把它们处理掉。

def remove_col_str(df):# remove a portion of string in a dataframe column - col_1 df[&＃39;col_1&＃39;].replace(&＃39;\n&＃39;, &＃39;&＃39;, regex&＃61;True, inplace&＃61;True) # remove all the characters after (including ) for column - col_1 df[&＃39;col_1&＃39;].replace(&＃39; .*&＃39;, &＃39;&＃39;, regex&＃61;True, inplace&＃61;True)

删除列中的空格

数据混乱的时候&＃xff0c;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&＃xff0c;下面的代码非常有用。

def remove_col_white_space(df):# remove white space at the beginning of string df[col] &＃61; 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&＃xff0c;这段代码很有帮助。比如&＃xff0c;你可以在第一列结尾处设定某些字母&＃xff0c;然后用它们与第二列连接在一起。

根据需要&＃xff0c;结尾处的字母也可以在连接完成后删除。

def concat_col_str_condition(df):# concat 2 columns with strings if the last 3 letters of the first column are &＃39;pil&＃39; mask &＃61; df[&＃39;col_1&＃39;].str.endswith(&＃39;pil&＃39;, na&＃61;False) col_new &＃61; df[mask][&＃39;col_1&＃39;] &＃43; df[mask][&＃39;col_2&＃39;] col_new.replace(&＃39;pil&＃39;, &＃39; &＃39;, regex&＃61;True, inplace&＃61;True) # replace the &＃39;pil&＃39; with emtpy space

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&＃xff0c;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) &＃xff0c;以便对数据进行有意义的分析。

def convert_str_datetime(df): &＃39;&＃39;&＃39; AIM -> Convert datetime(String) to datetime(format we want) INPUT -> df OUTPUT -> updated df with new datetime format ------ &＃39;&＃39;&＃39; df.insert(loc&＃61;2, column&＃61;&＃39;timestamp&＃39;, value&＃61;pd.to_datetime(df.transdate, format&＃61;&＃39;%Y-%m-%d %H:%M:%S.%f&＃39;))