回炉整理《数据分析实战45讲》之基础篇 -- 11.数据清洗(二)

2023-11-04 10:20

本文主要是介绍回炉整理《数据分析实战45讲》之基础篇 -- 11.数据清洗(二),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

上篇补了 “完全合一” 中的“完整性”这个部分掌柜觉得需要了解的知识点,接下来继续看全面性。还是回到服装店会员数据表那里,掌柜觉得这里的“全面性”指的是数据要规范:即大小写要统一、有单位的要统一单位、数据长度也要一致(小数点后面是几位都要统一)、数据名称保持一致等。

  • 那么再看这里的表格可以发现出现了单位不统一以及之前对均值填充的时候小数点位数变多的情况,只需要统一单位和小数点位数即可。这里把年龄的小数点位数都统一为之前的一位、单位都统一为千克(kgs):
    在这里插入图片描述
    在这里插入图片描述
  • 上面的没有补充的,接着来到 “合法性”,简单来讲就是数据要合乎常理,不会出现异常的情况,比如年龄是负数?性别未知?数据类型出现非ASCII字符等。
    (小小了解一下:所谓的ASCII,通俗来讲就是用一套统一规定的用来表示现代英语字符 同计算机中二进制数之间关系的编码规则。而这套规则又是当时美国的组织提出来的,所以又叫做 美国信息互换标准码(American Standard Code for Information Interchange)。(这里就不再多拓展了,因为这也是一个一挖就很深的点😂,有兴趣的朋友可以私下多面向谷歌了解

再回到这里,这个原始会员信息表出现了非ASCII字符(以语感来说是法语),所以这里进行删除或者替换操作:
在这里插入图片描述
在这里插入图片描述
这里用的是正则匹配ASCII字符,然后再进行删除,可以发现第0行和第7行的非ASCII字符被删除了。

如果不想删除非ASCII字符改变原样本,就想直接替换呢

补充第三点👉:pandas中如何替换非ASCII字符? 可以使用下面这个方法:
在这里插入图片描述
先创建替换的对应字典,然后使用pandas的字符串替换方法即可!

  • 补充第四点👉:如何处理异常值?* 有三种解决办法:
    1. 删除异常值
    2. 把它当作缺失值,用缺失值的方法来处理
    3. 不处理

PS:同样,异常值的处理还是要考虑实际情况,有时候不处理可以发现数据集的其他隐藏信息,比如医学检测的时候。

  • 最后来看唯一性,即数据要唯一,不存在重复、一对多的情况。所以这里存在两个问题:
  1. 一个是Name列包含两个参数First Name 和Last Name,一般不这样操作。所以需要进行一列变多列的拆分:
    在这里插入图片描述
    但是发现没,拆分的新数据列跑到最后去了,所以需要再处理一下:
    在这里插入图片描述

  2. 最后处理重复数据,用duplicated()查询重复数据,再用drop_duplicates()方法删除重复数据:
    PPS: 关于数据去重掌柜这里就不补充了,因为之前的博文写过一次,还对比了三种工具去重的方法,可以移步👉数据去重的各种方法汇总)
    在这里插入图片描述
    在这里插入图片描述
    最后再把处理干净的表存储到Excel中:
    在这里插入图片描述
    总算把第十一章要补的知识点搞定了,才发现一章就可以整理好多出来😂,最后脑图和代码掌柜都一并打包到GitHub去了,请自取👇:
    GitHub

然后十一章还留了一个练习题
在这里插入图片描述
想要练习和参考答案的可以一并去GitHub上面查看,喜欢可以关注,谢谢!😄

参考资料:
Pandas替换非ASCII字符

这篇关于回炉整理《数据分析实战45讲》之基础篇 -- 11.数据清洗(二)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/345110

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount