Pandas pipe: 一種更優(yōu)雅的數(shù)據(jù)預(yù)處理方法！
我們知道現(xiàn)實(shí)中的數(shù)據(jù)通常是雜亂無章的，需要大量的預(yù)處理才能使用。Pandas 是應(yīng)用最廣泛的數(shù)據(jù)分析和處理庫(kù)之一，它提供了多種對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理的方法。
在本文中，我們將重點(diǎn)討論一個(gè)將「多個(gè)預(yù)處理操作」組織成「單個(gè)操作」的特定函數(shù)：pipe。
在本文中，我將通過示例方式來展示如何使用它，讓我們從數(shù)據(jù)創(chuàng)建數(shù)據(jù)幀開始吧。
import numpy as np
import pandas as pd
df = pd.DataFrame({
"id": [100, 100, 101, 102, 103, 104, 105, 106],
"A": [1, 2, 3, 4, 5, 2, np.nan, 5],
"B": [45, 56, 48, 47, 62, 112, 54, 49],
"C": [1.2, 1.4, 1.1, 1.8, np.nan, 1.4, 1.6, 1.5]
})
df
上述數(shù)據(jù)中 NaN 表示的缺失值，id 列包含重復(fù)的值，B 列中的 112 似乎是一個(gè)異常值。
這些就是現(xiàn)實(shí)數(shù)據(jù)中的一些典型問題。我們將創(chuàng)建一個(gè)管道來處理剛才描述的問題。對(duì)于每個(gè)任務(wù)，我們都需要一個(gè)函數(shù)。因此，首先是創(chuàng)建放置在管道中的函數(shù)。需要注意的是，管道中使用的函數(shù)需要將數(shù)據(jù)幀作為參數(shù)并返回?cái)?shù)據(jù)幀。
第一個(gè)函數(shù)是處理缺少的值
def fill_missing_values(df):
for col in df.select_dtypes(include= ["int","float"]).columns:
val = df[col].mean()
df[col].fillna(val, inplace=True)
return df
我喜歡用列的平均值替換數(shù)字列中缺少的值，當(dāng)然你也可以根據(jù)具體場(chǎng)景來定義。只要它將數(shù)據(jù)幀作為參數(shù)并返回?cái)?shù)據(jù)幀，它就可以在管道中工作。
第二個(gè)函數(shù)是幫助我們刪除重復(fù)的值
def drop_duplicates(df, column_name):
df = df.drop_duplicates(subset=column_name)
return df
調(diào)用 Pandas 內(nèi)置的 drop duplicates 函數(shù)，它可以消除給定列中的重復(fù)值。
最后一個(gè)函數(shù)是用于消除異常值
def remove_outliers(df, column_list):
for col in column_list:
avg = df[col].mean()
std = df[col].std()
low = avg - 2 * std
high = avg + 2 * std
df = df[df[col].between(low, high, inclusive=True)]
return df
此函數(shù)的作用如下：
需要一個(gè)數(shù)據(jù)幀和一列列表 對(duì)于列表中的每一列，它計(jì)算平均值和標(biāo)準(zhǔn)偏差 計(jì)算標(biāo)準(zhǔn)差，并使用下限平均值 刪除下限和上限定義的范圍之外的值
與前面的函數(shù)一樣，你可以選擇自己的檢測(cè)異常值的方法。
創(chuàng)建管道
我們現(xiàn)在有3個(gè)函數(shù)來進(jìn)行數(shù)據(jù)預(yù)處理的任務(wù)。接下來就是使用這些函數(shù)創(chuàng)建管道。
df_processed = (df.pipe(fill_missing_values).pipe(drop_duplicates, "id").pipe(remove_outliers, ["A","B"]))
此管道按給定順序執(zhí)行函數(shù)。我們可以將參數(shù)和函數(shù)名一起傳遞給管道。
這里需要提到的一點(diǎn)是，管道中的一些函數(shù)修改了原始數(shù)據(jù)幀。因此，使用上述管道也將更新df。
解決此問題的一個(gè)方法是在管道中使用原始數(shù)據(jù)幀的副本。如果你不關(guān)心保持原始數(shù)據(jù)幀的原樣，那么可以在管道中使用它。
我將更新管道，如下所示：
my_df = df.copy()
df_processed = (my_df.pipe(fill_missing_values).pipe(drop_duplicates, "id").pipe(remove_outliers, ["A","B"]))
讓我們看一下原始數(shù)據(jù)幀和處理后的數(shù)據(jù)幀：
結(jié)論
當(dāng)然，你可以通過單獨(dú)使用這些函數(shù)來完成相同的任務(wù)。但是，管道函數(shù)提供了一種結(jié)構(gòu)化和有組織的方式，可以將多個(gè)功能組合到單個(gè)操作中。
根據(jù)原始數(shù)據(jù)和任務(wù)，預(yù)處理可能包括更多步驟?？梢愿鶕?jù)需要在管道函數(shù)中添加任意數(shù)量的步驟。隨著步驟數(shù)量的增加，與單獨(dú)執(zhí)行函數(shù)相比，管道函數(shù)的語(yǔ)法變得更清晰。
相關(guān)閱讀：