第7天：数据清洗（1）



前言

1. 删除重复

2. 异常值监测

3. 替换

4. 数据映射

5. 数值变量类型化

6. 创建哑变量

 

 

 

统计师的Python日记【第7天：数据清洗（1）】

 

前言

 

根据我的Python学习计划：

 

Numpy→Pandas →掌握一些数据清洗、规整、合并等功能→ 掌握类似与SQL的聚合等数据管理功能→能够用Python进行统计建模、假设检验等分析技能→ 能用Python打印出100元钱→ 能用Python帮我洗衣服、做饭→ 能用Python给我生小猴子......

 

上一篇的数据合并，以及本篇的数据清洗，都是非常非常实用的技能。我们用Python做数据分析，其实会有80%的功夫花在这些操作上面。我曾经去德国专门学过如何用做SAS数据清洗，数据清洗有一个专门的流程，涉及到数据缺失处理、变量值覆盖、日期时间数据、异常值、多选题数据处理、文本处理等等。日常项目中，可能随时用到这里面的某个技能，今天，就来学习一下Python的数据清洗吧！

 

现在有一份心脏病患者的数据，经过问卷调查之后，最终录入数据如下：

 

 

• Age：年龄
• Areas：来自哪里，有A/B/C/D四个地区
• ID：患者的唯一识别编号
• Package：每天抽几包烟，缺失的为-9，代表不抽烟
• SHabit：睡眠习惯，1-早睡早起；2-晚睡早起；3-早睡晚起；4-晚睡晚起

 

为了学习方便，假设这里就这些变量吧。

 

看完这个变量说明我不淡定了，这个数据存在很多问题啊！Age是年龄？158是什么鬼？？还有6岁小孩，每天抽1包烟？ID是唯一编号吗？为什么有3个1号、2个5号、2个9号、2个10号？

 

这个数据问题太多了，因此我要逐一来清洗一下，顺便学一下数据清洗方面的知识。

 

 

1. 删除重复

 

3个1号、2个5号、2个9号、2个10号。这是数据录入中经常出现的问题——重复录入了，所以首先我要把那么多占空间又没用的重复数据剔除。

 

介绍两个方法：data.duplicated() 和 data.drop_duplicates()，前者标记出哪些是重复的（true），后者直接将重复删除。

 

 

 

所以drop.duplicates直接就将重复值删除了，默认保留第一条。

 

以上是按照“有两行数据，这两行数据的所有变量值都一样，这么这两行就算重复数据”，但有时候我们会只根据一个变量来剔除重复，比如值根据Areas这个变量，那么A/B/C/D四个地区只会保留第一条，传入take_last=True则保留最后一个：

 

 

A/B/C/D每个地区值保留一条数据了。

 

 

2. 异常值检测

 

在第一步剔除重复值之后。得到了无重复数据的data_noDup:

 

 

第二步，我想检测一下数据中有没有异常值。首先可以用describe()进行一个描述分析，在第五天的学习中（第5天：Pandas，露两手）已经学过如何对数据进行描述：

 

 

有两个变量值得我们注意，一个是age，最大值158、最小值6，肯定有问题，另一个是package，最小值是-9，存在缺失。

 

用 data[条件] 的方式可以看一下有多少age大于100、age小于10,、package为-9的：

 

 

 

 

好了，检测完毕，现在来处理这些异常值。

 

 

3. 替换

 

我要把异常的年龄替换成缺失，把package等于-9的替换成0（换成0是因为，不抽烟其实也就是抽烟数量为0，这样还能少一些缺失值）。

 

替换的方式有2种，字典，或者替换关系组成的数组：

 

（1）data.replace([A,B], [A_R, B_R])，如果这里替换之后的值A_R和B_R是一样的，那么[A_R,B_R]直接是A_R就可以了

 

（2）data.replace({A:A_R,B:B_R})，这是字典的方式。

 

所以，这里想要将age的6、158替换成缺失，就应该为：

 

data_noDup['Age'].replace([158, 6], np.nan)

 

将package的-9替换成0：

 

data_noDup['Package'].replace(-9, 0)

 

替换之后的数据命名为data_noDup_rep：

 

 

 

4. 数据映射

 

接下来的一些处理，是为了变量能够更加便于分析，首先是要进行数据映射。什么是映射呢？以Areas为例，Areas取四个地区：A/B/C/D，这四个地区在分析的时候并没有什么意义，但A/B/C为城市，D为农村，这个很有意义，所以我要根据areas创建新变量CType：U-城市、R-农村，映射关系如下：

 

 

方法就是写一个映射字典，把A/B/C变成U，把D变成R：

 

areas_to_ctype={'A':'U','B':'U','C':'U','D':'R'}

 

然后使用 map(映射字典) 去创建新变量CType：

 

data_noDup_rep['CType']=data['Areas'].map(areas_to_ctype)

 

 

其实用替换也可以，但是替换是在原列上替换，而映射自己可以新建一个变量。

 

 

5. 数值变量类型化

 

接下来还要处理的变量是年龄Age，需要分成四组，

• 0：30岁以下，也就是0到30岁
• 1：30-40岁
• 2：40-50岁
• 3：50岁以上，不妨设为50-100岁

 

这个问题如果用映射MAP的话就麻烦了，每一个年龄都要写一个映射。使用 cut 函数来分割，就可以自己分割成几个组。

 

1）首先要设置几个分割点：0、30、40、50、100：cutPoint=[0,30, 40, 50,80]

 

2）接着，用cut(data, cutPoint)的格式对age按照cutPoint进行划分：pd.cut(data_noDup_rep['Age'],cutPoint)

 

3）最后，将这个赋给新变量ageGroup：data_noDup_rep['ageGroup']=pd.cut(data_noDup_rep['Age'],cutPoint)

 

 

这样很不好看有木有？怎么把四个组分别用0、1、2、3来表示呢？

 

设定一个组标签groupLabel=[0,1,2,3]，指定 labels=groupLable 即可。

 

data_noDup_rep['ageGroup']=pd.cut(data_noDup_rep['Age'],cutPoint,labels=groupLabel)

 

 

一个问题来了，依稀记得之前做过一个项目，样本量有7000，年龄分组是按照分位数来分的，那再python中能否实现？

 

可以的，用 qcut(data, n) 就可以，按照分位数分n组，比如分2组，那么就按照中位数来分，分4组，就按照四分位数来分。对这个例子我分两组：

 

data_noDup_rep['ageGroup'] =pd.qcut(data_noDup_rep['Age'],2)

 

 

 

6. 创建哑变量

 

哑变量一般用于两种情况：一是变量值是无序并列的，比如例子中的SHabit，四个选项1、2、3、4是并列的；另一种就是多选题，也需要生成哑变量。

 

以本例中的SHabit（睡眠情况）为例，四个取值是并列的，没有顺序，因此我们要把这1个问题变成4个：

 

SHabit（睡眠习惯，1-早睡早起；2-晚睡早起；3-早睡晚起；4-晚睡晚起）

变成：

SHabit_1：是否早睡早起？（0-否，1-是）

SHabit_2：是否晚睡早起？（0-否，1-是）

SHabit_3：是否早睡晚起？（0-否，1-是）

SHabit_4：是否晚睡晚起？（0-否，1-是）

 

使用 get.dummies(data[‘SHabit’] )  就可以直接搞定：

 

 

生成了四个变量。要把它合并入原数据data_noDup_rep中去，只要用 merge 就可以了（上一文刚刚介绍过数据的合并，戳复习→第6天：数据合并）

 

data_noDup_rep_dum =pd.merge(data_noDup_rep,pd.get_dummies(data_noDup_rep['SHabit']),right_index=True, left_index=True)

 

（注：因为合并键值是索引，因此要用right_index=True和left_index=True）

 

 

一个问题：变量名1、2、3、4太丑了！

 

可以在get_dummies函数中加 prefix=’’  选项为名字加一个前缀：

 

data_noDup_rep_dum =pd.merge(data_noDup_rep,pd.get_dummies(data_noDup_rep['SHabit'],prefix='SHabit' ),right_index=True, left_index=True)

 

 

变量比较多，所以换行显示了。还有一种情况，如果SHabit是多选呢？每个人的睡眠习惯不止一种，像这样：

 

 

这样的多选题数据，在分析中肯定一点用没有，处理的方法也是生成哑变量，如何生成？将在【第8天：数据清洗（2）文本分析】中学习，除此之外，还要学习如何进行分列处理、如何处理文本数据中的空白，如何使用正则表达式。

 

来自 <http://mp.weixin.qq.com/s?__biz=MjM5MDEzNDAyNQ==&mid=2650313425&idx=1&sn=72ebfbe60eb592e5b36aa0fd71c508d5&scene=21>