python 数据清洗

前言

1. 删除重复

2. 异常值监测

3. 替换

4. 数据映射

5. 数值变量类型化

6. 创建哑变量

---

统计师的Python日记【第7天：数据清洗（1）】

前言

根据我的Python学习计划：

Numpy → Pandas → 掌握一些数据清洗、规整、合并等功能 → 掌握类似与SQL的聚合等数据管理功能 → 能够用Python进行统计建模、假设检验等分析技能 → 能用Python打印出100元钱 → 能用Python帮我洗衣服、做饭 → 能用Python给我生小猴子......

上一篇的数据合并，以及本篇的数据清洗，都是非常非常实用的技能。我们用Python做数据分析，其实会有80%的功夫花在这些操作上面。我曾经去德国专门学过如何用做SAS数据清洗，数据清洗有一个专门的流程，涉及到数据缺失处理、变量值覆盖、日期时间数据、异常值、多选题数据处理、文本处理等等。日常项目中，可能随时用到这里面的某个技能，今天，就来学习一下Python的数据清洗吧！

现在有一份心脏病患者的数据，经过问卷调查之后，最终录入数据如下：

• Age：年龄

• Areas：来自哪里，有A/B/C/D四个地区

• ID：患者的唯一识别编号

• Package：每天抽几包烟，缺失的为-9，代表不抽烟

• SHabit：睡眠习惯，1-早睡早起；2-晚睡早起；3-早睡晚起；4-晚睡晚起

为了学习方便，假设这里就这些变量吧。

看完这个变量说明我不淡定了，这个数据存在很多问题啊！Age是年龄？158是什么鬼？？还有6岁小孩，每天抽1包烟？ID是唯一编号吗？为什么有3个1号、2个5号、2个9号、2个10号？

这个数据问题太多了，因此我要逐一来清洗一下，顺便学一下数据清洗方面的知识。

1. 删除重复

3个1号、2个5号、2个9号、2个10号。这是数据录入中经常出现的问题——重复录入了，所以首先我要把那么多占空间又没用的重复数据剔除。

介绍两个方法：data.duplicated() 和 data.drop_duplicates()，前者标记出哪些是重复的（true），后者直接将重复删除。

所以drop.duplicates直接就将重复值删除了，默认保留第一条。

以上是按照“有两行数据，这两行数据的所有变量值都一样，这么这两行就算重复数据”，但有时候我们会只根据一个变量来剔除重复，比如值根据Areas这个变量，那么A/B/C/D四个地区只会保留第一条，传入take_last=True则保留最后一个：

A/B/C/D每个地区值保留一条数据了。

2. 异常值检测

在第一步剔除重复值之后。得到了无重复数据的data_noDup:

第二步，我想检测一下数据中有没有异常值。首先可以用 describe() 进行一个描述分析，在第五天的学习中（第5天：Pandas，露两手）已经学过如何对数据进行描述：

有两个变量值得我们注意，一个是age，最大值158、最小值6，肯定有问题，另一个是package，最小值是-9，存在缺失。

用 data[条件] 的方式可以看一下有多少age大于100、age小于10,、package为-9的：

好了，检测完毕，现在来处理这些异常值。

3. 替换

我要把异常的年龄替换成缺失，把package等于-9的替换成0（换成0是因为，不抽烟其实也就是抽烟数量为0，这样还能少一些缺失值）。

替换的方式有2种，字典，或者替换关系组成的数组：

（1）data.replace([A, B], [A_R, B_R])，如果这里替换之后的值A_R和B_R是一样的，那么[A_R,B_R]直接是A_R就可以了

（2）data.replace({A:A_R, B:B_R})，这是字典的方式。

所以，这里想要将age的6、158替换成缺失，就应该为：

data_noDup['Age'].replace([158, 6], np.nan)

将package的-9替换成0：

data_noDup['Package'].replace(-9, 0)

替换之后的数据命名为data_noDup_rep：

4. 数据映射

接下来的一些处理，是为了变量能够更加便于分析，首先是要进行数据映射。什么是映射呢？以Areas为例，Areas取四个地区：A/B/C/D，这四个地区在分析的时候并没有什么意义，但A/B/C为城市，D为农村，这个很有意义，所以我要根据areas创建新变量CType：U-城市、R-农村，映射关系如下：

方法就是写一个映射字典，把A/B/C变成U，把D变成R：

areas_to_ctype={'A':'U','B':'U','C':'U','D':'R'}

然后使用 map(映射字典) 去创建新变量CType：

data_noDup_rep['CType']=data['Areas'].map(areas_to_ctype)

其实用替换也可以，但是替换是在原列上替换，而映射自己可以新建一个变量。

5. 数值变量类型化

接下来还要处理的变量是年龄Age，需要分成四组，

• 0：30岁以下，也就是0到30岁

• 1：30-40岁

• 2：40-50岁

• 3：50岁以上，不妨设为50-100岁

这个问题如果用映射MAP的话就麻烦了，每一个年龄都要写一个映射。使用 cut 函数来分割，就可以自己分割成几个组。

1）首先要设置几个分割点：0、30、40、50、100：cutPoint=[0,30, 40, 50,80]

2）接着，用 cut(data, cutPoint) 的格式对age按照cutPoint进行划分：pd.cut(data_noDup_rep['Age'],cutPoint)

3）最后，将这个赋给新变量ageGroup：data_noDup_rep['ageGroup'] =pd.cut(data_noDup_rep['Age'],cutPoint)

这样很不好看有木有？怎么把四个组分别用0、1、2、3来表示呢？

设定一个组标签groupLabel=[0,1,2,3]，指定 labels=groupLable 即可。

data_noDup_rep['ageGroup'] =pd.cut(data_noDup_rep['Age'],cutPoint, labels=groupLabel)

一个问题来了，依稀记得之前做过一个项目，样本量有7000，年龄分组是按照分位数来分的，那再python中能否实现？

可以的，用 qcut(data, n) 就可以，按照分位数分n组，比如分2组，那么就按照中位数来分，分4组，就按照四分位数来分。对这个例子我分两组：

data_noDup_rep['ageGroup'] =pd.qcut(data_noDup_rep['Age'],2)

6. 创建哑变量

哑变量一般用于两种情况：一是变量值是无序并列的，比如例子中的SHabit，四个选项1、2、3、4是并列的；另一种就是多选题，也需要生成哑变量。

以本例中的SHabit（睡眠情况）为例，四个取值是并列的，没有顺序，因此我们要把这1个问题变成4个：

SHabit（睡眠习惯，1-早睡早起；2-晚睡早起；3-早睡晚起；4-晚睡晚起）

变成：

SHabit_1：是否早睡早起？（0-否，1-是）

SHabit_2：是否晚睡早起？（0-否，1-是）

SHabit_3：是否早睡晚起？（0-否，1-是）

SHabit_4：是否晚睡晚起？（0-否，1-是）

使用 get.dummies( data[‘SHabit’] )  就可以直接搞定：

生成了四个变量。要把它合并入原数据data_noDup_rep中去，只要用 merge 就可以了（上一文刚刚介绍过数据的合并，戳复习→第6天：数据合并）

data_noDup_rep_dum =pd.merge(data_noDup_rep, pd.get_dummies(data_noDup_rep['SHabit']),right_index=True, left_index=True)

（注：因为合并键值是索引，因此要用right_index=True和left_index=True）

一个问题：变量名1、2、3、4太丑了！

可以在get_dummies函数中加 prefix=’’  选项为名字加一个前缀：

data_noDup_rep_dum =pd.merge(data_noDup_rep, pd.get_dummies(data_noDup_rep['SHabit'], prefix='SHabit' ), right_index=True, left_index=True)

变量比较多，所以换行显示了。还有一种情况，如果SHabit是多选呢？每个人的睡眠习惯不止一种，像这样：

这样的多选题数据，在分析中肯定一点用没有，处理的方法也是生成哑变量，如何生成？将在【第8天：数据清洗（2）文本分析】中学习，除此之外，还要学习如何进行分列处理、如何处理文本数据中的空白，如何使用正则表达式。

前言

1. 去除空白

2. 分列

3. 把多选题的文本处理成哑变量

4. 下集预告

---

统计师的Python日记【第8天：数据清洗（2）文本处理】

前言

根据我的Python学习计划：

Numpy → Pandas → 掌握一些数据清洗、规整、合并等功能 → 掌握类似与SQL的聚合等数据管理功能 → 能够用Python进行统计建模、假设检验等分析技能 → 能用Python打印出100元钱 → 能用Python帮我洗衣服、做饭 → 能用Python给我生小猴子......

从第6天开始入手学习了一些非常实用的Python数据处理技能，昨天（第7天）学习了数据的清洗，用的例子是一份心脏病病人的问卷数据：

为了方便，假设只有这些变量：

• Age：年龄

• Areas：来自哪里，有A/B/C/D四个地区

• ID：患者的唯一识别编号

• Package：每天抽几包烟，缺失的为-9，代表不抽烟

• SHabit：睡眠习惯，1-早睡早起；2-晚睡早起；3-早睡晚起；4-晚睡晚起

我把这份数据中存在的问题一一处理了，包括：

• 重复值删除

ID为1的出现了三次、ID为5的出现了两次、ID为9和10的都分别出现了两次。

• 异常值检测

年龄还有158岁的、还有6岁的并且已经开始吸烟。

• 替换

将年龄异常的替换成缺失，将抽烟为-9的替换成0（不抽烟就是抽烟数量为0，替换之后既合理又可以减少缺失值）

• 数据映射

将Areas四个地区分别映射成农村（R）和城市（U）。

• 数值变量类型化

将年龄再进行一个分组，从连续变量变成类型变量。

• 创建哑变量

SHabit睡眠习惯的4个取值是无序并列的，这种情况在分析的时候要变成哑变量

也留了一个问题：如果SHabit是多选呢？像这样：

这个就更要创建哑变量了，就是把一个问题分成四个。但是用第7天的函数get_dummies()是搞不定的，这属于文本格式。

好吧，那么今天就专门学习一下如何清洗乱七八糟的文本数据吧！

1. 去除空白

先等一会解决那个多选问题，从最基本的开始，如果我们的文本数据中，混入了很多空格该怎么办？比如Areas这个变量：

这个问题不是钻牛角尖，因为之前经常遇到这样的情况，它会带来很多麻烦，比如，我想筛选出Areas为A的数据，用 if Areas == ’A‘，那些带空白的你就找不出来了。

之前知道strip()这个函数可以解决单个字符串的问题：

那么在Pandas中，是否可以直接用strip()？

Series是不可以直接用strip()的，.map(str.strip) 可以帮我解决：

data_noDup_rep_dum ['Areas'].map(str.strip)

2. 分列

很久之前，使用excel的岁月里，分列功能没少用过，有的数据是通过A:B的形式储存在一列中，分析的时候要把两列劈开。这里假设数据的ID与性别“粘”在一起了，格式为 ID:Gender

分号前面的是ID，分号后面的代表性别，0为男性，1为女性。split() 可以帮我把它们劈开，如果是单个字符串，直接使用即可：

但对于Pandas的数据结构，则要写循环：

IDGender = pd.DataFrame((x.split(':') for x in data_noDup_rep_dum.ID))

此句的意思就是将data_noDup_rep_dum中的ID列，逐行给劈开，结果为：

注意看变量的列名为0、1，非常的丑，所以我决定再加上columns=指定一下列名

IDGender = pd.DataFrame((x.split(':') for x in data_noDup_rep_dum.ID)， columns=['ID_new','Gender'])

然后再将这两列粘贴到原数据中去：

pd.merge(IDGender, data_noDup_rep_dum, right_index=True,left_index=True)

错了！！

为什么？注意看劈开之后的IDGender数据，索引是0、1、2、3...9，从0到9，而原数据data_noDup_rep_dum的索引则是0、3、4、5......是因为前期我在做清洗的时候很多数据被砍掉了，所以没有1、2等。想索引一致，只需要在spilt(':')这个语句中加上index=data_noDup_rep_dum.index，换成原数据的索引即可。

IDGender = pd.DataFrame((x.split(':') for xin data_noDup_rep_dum.ID) , index=data_noDup_rep_dum.index, columns=['ID_new','Gender'] )

那么现在与原数据合并起来就行了：

print pd.merge(IDGender, data_noDup_rep_dum, right_index=True, left_index=True)

3. 把多选题的文本创建成哑变量

正如开头所说的，如果SHabit是多选：

这种变量在分析的时候完全没有用，必须要处理成哑变量，那么第7天中学的

get_dummies是否可以呢？试一下吧：

哑变量是生成了，但不是我想要的，我想要的就是四个选项变成的四个问题：1 2 3 4，当一个人多选了1和2，那么就在问题1下面和问题2下面赋值为1，其他赋值为0。

str.contains() 可以帮我解决，它的作用是，在SHabit列中查找某个元素，当含有这个元素时，赋值为True，否则为False：

data_noDup_rep_mul['SHabit_1'] = data_noDup_rep_mul['SHabit'].str.contains('1')

这个语句会生成一个新变量，SHabit_1，当原变量SHabit中包含1时，它为True，否则为False。

用同样的方法生成SHabit_2、SHabit_3、SHabit_4：

后期再处理成0/1就可以了。

关于文本数据的处理，还有很多很多其他情况，比如下面这份文本数据：

(01)1872-8756

Body shop P1

Book B13

(05)9212-0098

PD(05)9206-4571

Shushuophone

(12) 6753-5513

None here

PD(12)6434-4532

P&DWashing

......（未显示完）

假设这是一份产品名单，我现在只想把数字编码的数据，也即红色部分筛选出来，应该如何做？