Pandas數(shù)據(jù)清理

推薦：使用NSDT場景編輯器快速搭建3D應(yīng)用場景

如果您喜歡數(shù)據(jù)科學(xué)，那么數(shù)據(jù)清理對您來說可能聽起來像是一個熟悉的術(shù)語。如果沒有，讓我向你解釋一下。我們的數(shù)據(jù)通常來自多個資源，并不干凈。它可能包含缺失值、重復(fù)項、錯誤或不需要的格式等。對這些混亂的數(shù)據(jù)運行實驗會導(dǎo)致不正確的結(jié)果。因此，有必要在將數(shù)據(jù)饋送到模型之前準備數(shù)據(jù)。通過識別和解決潛在的錯誤、不準確和不一致來準備數(shù)據(jù)稱為數(shù)據(jù)清理。

在本教程中，我將引導(dǎo)您完成使用 Pandas 清理數(shù)據(jù)的過程。

我將使用著名的鳶尾花數(shù)據(jù)集。鳶尾花數(shù)據(jù)集包含三種鳶尾花的四個特征的測量值：萼片長度、萼片寬度、花瓣長度和花瓣寬度。我們將使用以下庫：

• pandas： 用于數(shù)據(jù)操作和分析的強大庫

• Scikit-learn： 提供用于數(shù)據(jù)預(yù)處理和機器學(xué)習(xí)的工具

使用 Pandas 的 read_csv（） 函數(shù)加載鳶尾花數(shù)據(jù)集：

column_names = ['id', 'sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
iris_data = pd.read_csv('data/Iris.csv', names= column_names, header=0)
iris_data.head()

輸出：

header=0 參數(shù)指示 CSV 文件的第一行包含列名（標題）。

為了深入了解我們的數(shù)據(jù)集，我們將使用 pandas 中的內(nèi)置函數(shù)打印一些基本信息

print(iris_data.info())
print(iris_data.describe())

輸出：

RangeIndex: 150 entries, 0 to 149
Data columns (total 6 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   id            150 non-null    int64  
 1   sepal_length  150 non-null    float64
 2   sepal_width   150 non-null    float64
 3   petal_length  150 non-null    float64
 4   petal_width   150 non-null    float64
 5   species       150 non-null    object 
dtypes: float64(4), int64(1), object(1)
memory usage: 7.2+ KB
None

iris_data.describe（） 的輸出

info（） 函數(shù)可用于了解數(shù)據(jù)幀的整體結(jié)構(gòu)、每列中非空值的數(shù)量以及內(nèi)存使用情況。而匯總統(tǒng)計數(shù)據(jù)則提供了數(shù)據(jù)集中數(shù)值要素的概述。

這是了解類如何在分類列中分布的重要步驟，這是分類的重要任務(wù)。您可以使用 pandas 中的 value_counts（） 函數(shù)執(zhí)行此步驟。

print(iris_data['species'].value_counts())

輸出：

Iris-setosa        50
Iris-versicolor    50
Iris-virginica     50
Name: species, dtype: int64

我們的結(jié)果表明，數(shù)據(jù)集是平衡的，每個物種的表示數(shù)量相等。這為所有 3 個班級的公平評估和比較奠定了基礎(chǔ)。

由于從 info（） 方法中可以明顯看出我們有 5 列沒有缺失值，因此我們將跳過此步驟。但是，如果遇到任何缺失值，請使用以下命令來處理它們：

iris_data.dropna(inplace=True)

重復(fù)項可能會扭曲我們的分析，因此我們會將它們從數(shù)據(jù)集中刪除。我們將首先使用下面提到的命令檢查它們的存在：

duplicate_rows = iris_data.duplicated()
print("Number of duplicate rows:", duplicate_rows.sum())

輸出：

Number of duplicate rows: 0

此數(shù)據(jù)集沒有任何重復(fù)項。盡管如此，可以通過 drop_duplicates（） 函數(shù)刪除重復(fù)項。

iris_data.drop_duplicates(inplace=True)

對于分類分析，我們將對物種列執(zhí)行獨熱編碼。執(zhí)行此步驟是由于機器學(xué)習(xí)算法傾向于更好地處理數(shù)值數(shù)據(jù)。獨熱編碼過程將分類變量轉(zhuǎn)換為二進制（0 或 1）格式。

encoded_species = pd.get_dummies(iris_data['species'], prefix='species', drop_first=False).astype('int')
iris_data = pd.concat([iris_data, encoded_species], axis=1)
iris_data.drop(columns=['species'], inplace=True)

圖片來源：作者

歸一化是將數(shù)值特征縮放為平均值為 0 且標準差為 1 的過程。執(zhí)行此過程是為了確保要素對分析的貢獻相同。我們將規(guī)范化浮點值列以實現(xiàn)一致的縮放。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
cols_to_normalize = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
scaled_data = scaler.fit(iris_data[cols_to_normalize])
iris_data[cols_to_normalize] = scaler.transform(iris_data[cols_to_normalize])

規(guī)范化
后 iris_data.describe（） 的輸出

將清理后的數(shù)據(jù)集保存到新的 CSV 文件。

iris_data.to_csv('cleaned_iris.csv', index=False)

祝賀！您已成功使用 pandas 清理了第一個數(shù)據(jù)集。在處理復(fù)雜數(shù)據(jù)集時，您可能會遇到其他挑戰(zhàn)。但是，此處提到的基本技術(shù)將幫助您入門并準備數(shù)據(jù)以進行分析。

原文鏈接：Pandas數(shù)據(jù)清理 (mvrlink.com)