基于pandas的数据清洗

数据清洗是数据科学和数据分析中非常重要的一个步骤。它指的是在数据分析之前，对数据进行预处理，以确保数据的质量和一致性。使用Python的pandas库进行数据清洗是一种常见的做法，因为pandas提供了丰富的数据操作和清洗功能。

1.导入需要的库

import pandas as pd
from pandas import DataFrame
import numpy as np

2.处理丢失数据

• 有两种丢失数据：
  • None
  • np.nan(NaN）

• 为什么在数据分析中需要用到的是浮点类型的空而不是对象类型？
  • 数据分析中会常常使用某些形式的运算来处理原始数据，如果原数数据中的空值为NAN的形式，则不会干扰或者中断运算。
  • NAN可以参与运算的
  • None是不可以参与运算

df = DataFrame(data=np.random.randint(0,100,size=(7,5)))
df.iloc[2,3] = None
df.iloc[4,2] = np.nan
df.iloc[5,4] = None
df

运行结果为：

3.pandas处理空值操作

• isnull
• notnull
• any
• all
• dropna
• filln

#哪些行中有空值
#any(axis=1)检测哪些行中存有空值
df.isnull().any(axis=1) #any会作用isnull返回结果的每一行
#true对应的行就是存有缺失数据的行

运行结果：

df.notnull()
df.notnull().all(axis=1)
#将布尔值作为源数据的行索引
df.loc[df.notnull().all(axis=1)]
#获取空对应的行数据
df.loc[df.isnull().any(axis=1)]
#获取空对应行数据的行索引
indexs = df.loc[df.isnull().any(axis=1)].index
indexs
df.drop(labels=indexs,axis=0)

 3.案例分析

• 数据说明：

  • 数据是1个冷库的温度数据，1-7对应7个温度采集设备，1分钟采集一次。

• 数据处理目标：

  • 用1-4对应的4个必须设备，通过建立冷库的温度场关系模型，预估出5-7对应的数据。
  • 最后每个冷库中仅需放置4个设备，取代放置7个设备。
  • f(1-4) --> y(5-7)

• 数据处理过程：

  • 1、原始数据中有丢帧现象，需要做预处理；
  • 2、matplotlib 绘图；
  • 3、建立逻辑回归模型。

• 无标准答案，按个人理解操作即可，请把自己的操作过程以文字形式简单描述一下，谢谢配合。

• 测试数据为testData.xlsx

data = pd.read_excel('./data/testData.xlsx').drop(labels=['none','none1'],axis=1)
data

运行结果为：

data.shape
#删除空对应的行数据
data.dropna(axis=0).shape
df = DataFrame(data=np.random.randint(0,100,size=(8,6)))
df.iloc[1] = [1,1,1,1,1,1]
df.iloc[3] = [1,1,1,1,1,1]
df.iloc[5] = [1,1,1,1,1,1]
df
#检测哪些行存有重复的数据
df.duplicated(keep='first')
df.loc[~df.duplicated(keep='first')]
#异步到位删除
df.drop_duplicates(keep='first')
df = DataFrame(data=np.random.random(size=(1000,3)),columns=['A','B','C'])
df.head()
#制定判定异常值的条件
twice_std = df['C'].std() * 2
twice_std
df.loc[~(df['C'] > twice_std)]

 运行结果：