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

1. import pandas as pd 
2.  
3. df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]}) 
4.  
5. # 异常值平均值上下1.96个标准差区间以外的值 
6. meangrade = df['a'].mean() 
7. stdgrade = df['a'].std() 
8. toprange = meangrade + stdgrade * 1.96 
9. botrange = meangrade - stdgrade * 1.96 
10.  
11. # 过滤区间外的值 
12. copydf = df 
13. copydfcopydf = copydf.drop(copydf[copydf['a'] 
14.         > toprange].index) 
15. copydfcopydf = copydf.drop(copydf[copydf['a'] 
16.         < botrange].index) 
17. copydf 

技能2：分位数法

1. q1 = df['a'].quantile(.25) 
2. q3 = df['a'].quantile(.75) 
3. iqr = q3-q1 
4. toprange = q3 + iqr * 1.5 
5. botrange = q1 - iqr * 1.5 
6.  
7. copydf = df 
8. copydfcopydf = copydf.drop(copydf[copydf['a'] 
9.         > toprange].index) 
10. copydfcopydf = copydf.drop(copydf[copydf['a'] 
11.         < botrange].index) 
12. 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

1. # axis 0 表示按照行，all 此行所有值都为 nan 
2. 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：

1. # 使用a列平均数填充列的空值，inplace true表示就地填充 
2. 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：

1. df.loc[(df['a'] < -2,'a')] = 0 
2. 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：

1. 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：

1. import string 
2. exclude = set(string.punctuation) 
3.  
4. def remove_punctuation(x): 
5.     x = ''.join(ch for ch in x if ch not in exclude) 
6.     return x 
7. # 原df 
8. Out[26]:  
9.       a       b 
10. 0   c,d  edc.rc 
11. 1     3       3 
12. 2  d ef       4 
13.  
14. # 过滤a列标点 
15. In [27]: dfdf.a = df.a.apply(remove_punctuation)  
16. In [28]: df                 
17. Out[28]:  
18.       a       b 
19. 0    cd  edc.rc 
20. 1     3       3 
21. 2  d ef       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']：

1. # 生成20个[0,100]的随机整数 
2. In [30]: a = np.random.randint(1,100,20)                    
3. In [31]: a                                     
4. Out[31]:  
5. array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31,  5, 46, 98,99, 60, 43]) 
6.  
7. # cut分箱 
8. In [33]: pd.cut(a, [0,60,75,90,100], labels = ['D', 'C', 'B', 'A'])              
9. Out[33]:  
10. [D, D, D, B, D, ..., D, A, A, D, D] 
11. Length: 20 
12. Categories (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：

1. In [36]: df = pd.DataFrame({'a':[46, 98,99, 60, 43]} ))  
2. In [53]: df['a'].rank(ascending=False)                    
3. Out[53]:  
4. 0    4.0 
5. 1    2.0 
6. 2    1.0 
7. 3    3.0 
8. 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：

1. pd.get_dummies(df['a']) 

自定义函数，结合 apply:

1. def c2n(x): 
2.     if x=='A': 
3.         return 95 
4.     if x=='B': 
5.         return 80 
6.  
7. 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。

原文地址：https://mp.weixin.qq.com/s?__biz=MzI3NTkyMjA4NA==&mid=2247499054&idx=1&sn=5fb681896b1f1b1365c09e8c31f0faf7&chksm=eb7fd0e5dc0859f3bf78541313b645cfec52e1e626b617e003ca50a40e33055c9c8ddaf08214&mpshare=1&s