python数据清洗之学习总结--目录
引言
数据清洗实质上是将实际业务问题中,脏数据清洗干净,转换为’干净的数据’, 所谓的脏 ,指数据可能存在以下几种问题(主要问题):
数据缺失(Incomplete) 是属性值为空的情况。如 Occupancy = “ ”
数据噪声 (Noisy) 是数据值不合常理的情况。如 Salary = “-100”
数据不一致 (Inconsistent) 是数据前后存在矛盾的情况。如 Age = “042” 或者 Birthday = “01/09/1985”
数据冗余 (Redundant) 是数据量或者属性数目超出数据分析需要的情况
离群点/异常值(Outliers) 是偏离大部分值的数据 数据重复是在数据集中出现多次的数据
一、数据预处理之常用工具
- Numpy
1.1 常用数据结构
1.2 常用方法
1.3 数据访问方法
1.4 Numpy常用清洗函数 - Pandas
2.1 series和方法
2.2 dataframe和方法
二、数据清洗之文件读写
- csv文件读写
- excel文件读写
- 数据库文件读写
3.1 查询数据库
3.2 写入数据库
三、数据清洗之数据表处理
- 数据常用筛选方法
- 在数据中,直接添加列
- 数据的修改和查找
- 数据整理
4.1 pd.concat
4.2 pd.merge - 层次化索引
四、数据清洗之数据转换
- 日期格式数据处理
- 高阶函数数据处理
- 字符串数据处理
五、数据清洗之数据统计
- 数据分组运算
- 聚合函数使用
- 分组对象与apply函数
- 透视图与交叉表
透视图
交叉表用于计算分组频率
六、数据清洗之数据预处理
- 重复值处理
- 缺失值处理
- 异常值处理
- 数据离散化
总结
步骤:
- 数据获取,使用read_csv或者read_excel
- 数据探索,使用shape,describe或者info函数
- 行列操作,使用loc或者Iloc函数
- 数据整合,对不同数据源(数据表)的数据进行整理
- 数据类型转换,数值型。日期型。字符串互相转换
- 分组汇总,对数据进行各个维度计算
- 处理重复值、缺失值、异常值,数据离散化
函数大全:
- merge,cancat函数用于数据整合
- pd.to_datetime 日期格式转换
- str函数用于字符串操作
- astype函数用于数据类型转换
- apply和map函数用于高级的数据处理
- groupby用于创建分组对象
- 透视表pd.pivot_table和交叉表pd.crosstab
- 分组对象和agg结合使用,统计需要信息