数据预处理的10个小技能,附Pandas实现
数据预处理常用的处理步骤,包括找出异常值、处理缺失值、过滤不合适值、去掉重复行、分箱、分组、排名、category转数值等,下面使用 pandas 解决这些最常见的预处理任务。 找出异常值常用两种方法: 标准差法:异常值平均值上下1.96个标准差区间以外的值 分位数法:小于 1/4分位数减去 1/4和3/4分位数差的1.5倍,大于3/4减去 1/4和3/4分位数差的1.5倍,都为异常值 技能1 :标准差法 import pandas as pd df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]}) # 异常值平均值上下1.96个标准差区间以外的值 mea数据ngrade = df['a'].mean() stdgrade = df['a'].std() toprange = meangrade + stdgrade * 1.96 botrange = meangrade - stdgrade * 1.96 # 过滤区间外的值 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a'] &预处nbsp; > toprange].index) copydfcopydf = copydf.drop(copydf[copydf['a'] < botrange].index) copydf 技能2:分位数法 q1 = df['a'].quantile(.25) q3 = df['a'].quantile(.75) iqr = q3-q1 toprange = q3 + iqr *&nb理的sp;1.5 botrange = q1 - iqr * 1.5 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a'] > toprange].index) copydfcopydf = copydf.drop(copydf[copydf['a'] < botr10ange].index) copydf 技能3:处理空值 np.nan 是 pandas 中常见空值,使用 dropna 过滤空值,axis 0 表示按照行,1 表示按列,how 默认为 any ,意思是只要有一个 nan 就过滤某行或某列,all 所有都为 nan # axis 0 表示按照行,all 此行所有值都为 nan df.dropna(axis=0, how='all') 技能4:充填空值 空值一般使用某个统计值填充,如平均数、众数、中位数等,使用函数 fillna: # 使用a列平均数填充列的空值,inplace true表示就地填充 df["a"].fillna(df["a"].mean(), inplace=True)&nb个小sp; 技能5:修复不合适值 假如某门课最高分100,如果出现 -2, 120 这样的值,显然不合理,使用布尔类型的Series对象修改数值: df.loc[(df['a'] < -2,'a')] = 0 df.loc[(df['a'] >= 100,'a')] = 100 技能6:过滤重复值 过滤某列重复值,使用 drop_duplicated 方法,第一个参数为列名,keep关键字等于last:最后一次出现此值行: df.drop_duplicates(['Names'], keep='last') 技能7:apply 元素级:去掉特殊字符 某列单元格含有特殊字符,如标点符号,使用元素级操作方法 apply 干掉它们: impo技能rt string exclude = set(string.punctuation) def remove_punctuation(x): x = ''.join(ch for ch in x if ch not in exclude) return x # ԭdf Out[26]: a &nbs,附p; b 0 c,d edc.rc 1 3 3 2 d ef 4 # 过滤a列标点 In [27]: dfdf.a = df.a.apply(remove_punctuation) In [28]: df  Pa; Out[28]: a b 0 cd edc.rc 1 3 3 2 d ef nd 4 技能8:cut 数据分箱 将百分制分数转为A,B,C,D四个等级,bins 被分为 [0,60,75,90,100],labels 等于['D', 'C', 'B', 'A']: # 生成20个[0,100]的随机整数 In [30]: a = np.random.randint(1,100,20) In [31]: a &asnbsp; Out[31]: array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31, 5, 46, 98,99, 实现60, 43]) # cut分箱 In [33]: pd.cut(a, [0,60,75,90,100], labels = ['D', 'C', 'B', 'A']) Out[33]: [D, D, D, B, D, ..., D, A, A, D, D] Length: 20 Cat数据egories (4, object): [D < C < B < A] 技能9:rank 排名 rank 方法,生成数值排名,ascending 为False,分值越大,排名越靠前: In [36]: df = pd.DataFrame({'a':[46, 98,99, 60, 43]} )) In [53]: df['a'].rank(ascending=False)  预处; Out[53]: 0 4.0 1 2.0 2 1.0 3 3.0 4 5.0 技能10:category列转数值 某列取值只可能为有限个枚举值,往往需要转为数值,使用get_dummies,或自己定义函数: pd.get_dummies(df['a']) 自定义函数,结合 apply: def c2n(x): &n理的bsp; if x=='A': return 95 if x=='B': return 80 df['a'].apply(c2n) 以上结合数据预处理的十个小任务,分别找到对应pandas中的实现。
- 最近发表
-
- 美国云计算公司Salesforce拟以277亿美元价格收购Slack
- 标签: 国泰君安国际 香港廉政公署 内幕交易 对冲基金
- 鑻规灉绗�笁璐㈠�澶т腑鍗庡尯钀ユ敹147.62浜跨編鍏� 鍚屾瘮澧炲箙杈�58%
- 谷歌 AI 承包商裁员风波:200 多名员工因工作条件争议被解雇
- 标签: 众泰汽车 2025年业绩预告 整车业务重启 归母净利润
- Docker的应用场景和优点
- ResNet也能用在3D模型上了,清华「计图」团队新研究已开源
- 云安全日报210513:思科AnyConnect安全客户端发现任意代码执行漏洞,需要尽快升级
- Twitter任命新董事会成员接替Elliott合伙人
- 云计算开发:Python内置函数-reverse()函数详解
- 随机阅读
-
- 标签: 妙鸭相机 虎鲸文娱 张月光 沐言智语
- 特斯拉CEO马斯克:将离开Twitter一段时间
- 百度副总裁谢广军为女儿曝光他人隐私信息道歉
- 是否有算法可以控制超级人工智能?
- 云计算开发:Python内置函数-float() 函数详解
- 英伟达第二财季营收65亿美元 净利润同比增282%
- X 平台优化链接处理,力求提升用户留存率
- Arm为云计算和数据中心推出新一代芯片技术Neoverse V2
- 标签: 贝斯特 港交所上市 电子材料 新能源
- 为什么说物理安全和云计算密不可分?
- 标签: 字节跳动 Dola 豆包 Cici
- 标签: 郭美美 微博 劳斯莱斯
- Gemini2.5Deep Think成首个ICPC金牌AI,碾压全球精英程序员
- 告别“原型困境”:Anything获1亿美元估值,用全栈AI工具颠覆应用开发
- 苹果推送正式版iOS/iPadOS15.3.1 修复Safari网页漏洞
- 云安全日报210205:思科IOS XR网络互联操作系统发现拒绝服务漏洞,需要尽快升级
- 接好了!这是你要的6个小众但特别好用AI技法
- 标签: 米哈游 刘伟 蔡浩宇 原神
- 亚马逊将开发127项新能源计划
- 视觉中国重磅升级!AI生成内容标识系统全面上线
- 搜索
-
- 友情链接