Pandas清洗數(shù)據(jù)的4個(gè)實(shí)用小技巧
1. 讀取時(shí)抽樣 1%
對(duì)于動(dòng)輒就幾十或幾百個(gè) G 的數(shù)據(jù)，在讀取這么大數(shù)據(jù)時(shí)，有沒有辦法隨機(jī)選取一小部分?jǐn)?shù)據(jù)，然后讀入內(nèi)存，快速了解數(shù)據(jù)和開展 EDA ？
使用 Pandas 的 skiprows 和 概率知識(shí)，就能做到。
下面解釋具體怎么做。
如下所示，讀取某 100 G 大小的 big_data.csv 數(shù)據(jù)
使用 skiprows 參數(shù)，
x > 0 確保首行讀入，
np.random.rand() > 0.01 表示 99% 的數(shù)據(jù)都會(huì)被隨機(jī)過濾掉
言外之意，只有全部數(shù)據(jù)的 1% 才有機(jī)會(huì)選入內(nèi)存中。
import pandas as pd
import numpy as np
df = pd.read_csv("big_data.csv",
skiprows = lambda x: x>0 and
np.random.rand() > 0.01)
print("The shape of the df is {}.
It has been reduced 100 times!".format(df.shape))
使用這種方法，讀取的數(shù)據(jù)量迅速縮減到原來的 1% ，對(duì)于迅速展開數(shù)據(jù)分析有一定的幫助。
2. replace 做清洗
清洗數(shù)據(jù)時(shí)，少不了要對(duì)數(shù)據(jù)內(nèi)容進(jìn)行查找替換。
這里有一個(gè)快速清洗數(shù)據(jù)的小技巧，在某列上使用 replace 方法和正則，快速完成值的清洗。
源數(shù)據(jù)：
d = {"customer": ["A", "B", "C", "D"],
"sales":[1100, "950.5RMB", "$400", " $1250.75"]}
df = pd.DataFrame(d)
df
打印結(jié)果：
customer sales
0 A 1100
1 B 950.5RMB
2 C $400
3 D $1250.75
看到 sales 列的值，有整型，浮點(diǎn)型+RMB后變?yōu)樽址?，還有美元+整型，美元+浮點(diǎn)型。
我們的目標(biāo)：清洗掉 RMB，$ 符號(hào)，轉(zhuǎn)化這一列為浮點(diǎn)型。
一行代碼搞定：（點(diǎn)擊代碼區(qū)域，向右滑動(dòng)，查看完整代碼）
df["sales"] = df["sales"].replace("[$,RMB]", "", regex = True).astype("float")
使用正則替換，將要替換的字符放到列表中 [$,RMB]，替換為空字符，即 ""；
最后使用 astype 轉(zhuǎn)為 float
打印結(jié)果：
customer sales
0 A 1100.00
1 B 950.50
2 C 400.00
3 D 1250.75
Done ~
如果不放心，再檢查下值的類型：
df["sales"].apply(type)
打印結(jié)果：
0 <class 'float'>
1 <class 'float'>
2 <class 'float'>
3 <class 'float'>
3. 寬 DF 變長(zhǎng)
為什么需要寬 DF 變長(zhǎng) ?
構(gòu)造一個(gè) DataFrame：
d = {\
"district_code": [12345, 56789, 101112, 131415],
"apple": [5.2, 2.4, 4.2, 3.6],
"banana": [3.5, 1.9, 4.0, 2.3],
"orange": [8.0, 7.5, 6.4, 3.9]
}
df = pd.DataFrame(d)
df
打印結(jié)果：
district_code apple banana orange
0 12345 5.2 3.5 8.0
1 56789 2.4 1.9 7.5
2 101112 4.2 4.0 6.4
3 131415 3.6 2.3 3.9
5.2 表示 12345 區(qū)域的 apple 價(jià)格，并且 apple, banana, orange，這三列都是一種水果，那么如何把這三列合并為一列？
使用 pd.melt
具體參數(shù)取值，大家根據(jù)此例去推敲：
df = df.melt(\
id_vars = "district_code",
var_name = "fruit_name",
value_name = "price")
df
打印結(jié)果：
district_code fruit_name price
0 12345 apple 5.2
1 56789 apple 2.4
2 101112 apple 4.2
3 131415 apple 3.6
4 12345 banana 3.5
5 56789 banana 1.9
6 101112 banana 4.0
7 131415 banana 2.3
8 12345 orange 8.0
9 56789 orange 7.5
10 101112 orange 6.4
11 131415 orange 3.9
以上就是長(zhǎng) DataFrame，對(duì)應(yīng)的原 DataFrame 是寬 DF.
看明白了嗎？
4. 轉(zhuǎn) datetime
告訴 year（年份）和 dayofyear（一年中的第幾天），怎么轉(zhuǎn) datetime?
原 DataFrame
d = {\
"year": [2019, 2019, 2020],
"day_of_year": [350, 365, 1]
}
df = pd.DataFrame(d)
df
打印結(jié)果：
year day_of_year
0 2019 350
1 2019 365
2 2020 1
轉(zhuǎn) datetime 的 trick。
Step 1: 創(chuàng)建整數(shù)
df["int_number"] = df["year"]*1000 + df["day_of_year"]
df
打印結(jié)果：
year day_of_year int_number
0 2019 350 2019350
1 2019 365 2019365
2 2020 1 2020001
Step 2: to_datetime
df["date"] = pd.to_datetime(df["int_number"], format = "%Y%j")
df
注意 "%Y%j" 中轉(zhuǎn)化格式 j
打印結(jié)果：
year day_of_year int_number date
0 2019 350 2019350 2019-12-16
1 2019 365 2019365 2019-12-31
2 2020 1 2020001 2020-01-01
以上就是 Pandas 做數(shù)據(jù)清洗的4個(gè) 小技巧。
如果文章對(duì)你有幫助，歡迎轉(zhuǎn)發(fā)/點(diǎn)贊/收藏~
作者：zglg
_往期文章推薦_