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 meangrade = df['a'].mean() stdgrade = df['a'].std() range = meangrade + stdgrade  1.96 botrange = meangrade - stdgrade  1.96  # 过滤区间外的值 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a']         > range].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 range = q3 + iqr  1.5 botrange = q1 - iqr  1.5  copydf = df copydfcopydf = copydf.drop(copydf[copydf['a']         > range].index) copydfcopydf = copydf.drop(copydf[copydf['a']         < botrange].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，ho 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, ho='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) 

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一次出现此值行

df.drop_duplicates(['Names'], keep='last') 

技能7apply 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

import 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       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                 Out[28]:        a       b 0    cd  edc.rc 1     3       3 2  d ef       4 

技能8cut 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                                     Out[31]:  array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31,  5, 46, 98,99, 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 Categories (4, object): [D < C < B < A] 

技能9rank 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)                    Out[53]:  0    4.0 1    2.0 2    1.0 3    3.0 4    5.0 

技能10category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):     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。