Pandas数据清理

本分步教程适用于初学者,指导他们使用强大的 Pandas 库完成数据清理和预处理过程

Pandas数据清理
推荐:使用NSDT场景编辑器快速搭建3D应用场景

介绍

如果您喜欢数据科学,那么数据清理对您来说可能听起来像是一个熟悉的术语。如果没有,让我向你解释一下。我们的数据通常来自多个资源,并不干净。它可能包含缺失值、重复项、错误或不需要的格式等。对这些混乱的数据运行实验会导致不正确的结果。因此,有必要在将数据馈送到模型之前准备数据。通过识别和解决潜在的错误、不准确和不一致来准备数据称为数据清理

在本教程中,我将引导您完成使用 Pandas 清理数据的过程。

数据

我将使用著名的鸢尾花数据集。鸢尾花数据集包含三种鸢尾花的四个特征的测量值:萼片长度、萼片宽度、花瓣长度和花瓣宽度。我们将使用以下库:

  • pandas用于数据操作和分析的强大库
  • Scikit-learn: 提供用于数据预处理和机器学习的工具

数据清理步骤

1. 加载数据集

使用 Pandas 的 read_csv() 函数加载鸢尾花数据集:

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()

输出:

编号sepal_lengthsepal_widthpetal_lengthpetal_width物种
15.13.51.40.2鸢尾花
24.93.01.40.2鸢尾花
34.73.21.30.2鸢尾花
44.63.11.50.2鸢尾花
55.03.61.40.2鸢尾花

header=0 参数指示 CSV 文件的第一行包含列名(标题)。

2. 浏览数据集

为了深入了解我们的数据集,我们将使用 pandas 中的内置函数打印一些基本信息

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

输出:


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
熊猫数据清理


iris_data.describe() 的输出

info() 函数可用于了解数据帧的整体结构、每列中非空值的数量以及内存使用情况。而汇总统计数据则提供了数据集中数值要素的概述。

3. 检查类分布

这是了解类如何在分类列中分布的重要步骤,这是分类的重要任务。您可以使用 pandas 中的 value_counts() 函数执行此步骤。

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

输出:

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

我们的结果表明,数据集是平衡的,每个物种的表示数量相等。这为所有 3 个班级的公平评估和比较奠定了基础。

4. 删除缺失值

由于从 info() 方法中可以明显看出我们有 5 列没有缺失值,因此我们将跳过此步骤。但是,如果遇到任何缺失值,请使用以下命令来处理它们:

iris_data.dropna(inplace=True)

5. 删除重复项

重复项可能会扭曲我们的分析,因此我们会将它们从数据集中删除。我们将首先使用下面提到的命令检查它们的存在:

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

输出:

Number of duplicate rows: 0

此数据集没有任何重复项。尽管如此,可以通过 drop_duplicates() 函数删除重复项。

iris_data.drop_duplicates(inplace=True)

6. 独热编码

对于分类分析,我们将对物种列执行独热编码。执行此步骤是由于机器学习算法倾向于更好地处理数值数据。独热编码过程将分类变量转换为二进制(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)
熊猫数据清理


图片来源:作者

7. 浮点值列的规范化

归一化是将数值特征缩放为平均值为 0 且标准差为 1 的过程。执行此过程是为了确保要素对分析的贡献相同。我们将规范化浮点值列以实现一致的缩放。

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])
熊猫数据清理


规范化
后 iris_data.describe() 的输出

8. 保存已清理的数据集

将清理后的数据集保存到新的 CSV 文件。

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

总结

祝贺!您已成功使用 pandas 清理了第一个数据集。在处理复杂数据集时,您可能会遇到其他挑战。但是,此处提到的基本技术将帮助您入门并准备数据以进行分析。

3D建模学习工作室 整理翻译,转载请注明出处!

NSDT场景编辑器 | NSDT 数字孪生 | GLTF在线编辑器 | 3D模型在线转换 | UnrealSynth虚幻合成数据生成器 | 3D模型自动纹理化工具
2023 power by nsdt©鄂ICP备2023000829号