Python+大数据-数据处理与分析(三)-数据清洗

1. 数据组合

1.1 数据聚合简介

在动手进行数据分析工作之前，需要进行数据清理工作，数据清理的主要目标是：

• 每个观测值成一行
• 每个变量成一列
• 每种观测单元构成一张表格

数据整理好之后，可能需要多张表格组合到一起才能进行某些问题的分析

• 比如：一张表保存公司名称，另一张表保存股票价格
• 单个数据集也可能会分割成多个，比如时间序列数据，每个日期可能在一个单独的文件中

1.2 concat拼接数据

基本格式：

方法	说明
pd.concat([df1, df2, ..])	多个数据集(DataFrame或Series)之间按行标签索引 或列标签索引拼接，默认是outer，可以设置为inner

1.2.1 行拼接：按照列标签索引对齐

# 将 df1、df2和 df3 按照列标签对齐，进行行拼接
row_concat = pd.concat([df1, df2, df3])
row_concat

# ignore_index=True：表示 concat 拼接时忽略索引
pd.concat([df1, df2, df3], ignore_index=True)

1.2.2 列拼接：按照行标签索引对齐

# 将 df1、df2和 df3 按照行标签对齐，进行列拼接
pd.concat([df1, df2, df3], axis=1)

1.2.3 join 参数的设置

concat 方法的 join参数：

• 默认为 outter：无法对齐的行/列，默认在拼接后的数据中会填充为 NaN，因为默认拼接是 outter 拼接
• 设置为 inner：只有能够对齐的行/列，才会出现在拼接的结果中

#将 df1 和 df3 按列标签对齐，进行行拼接，设置 join='inner'
pd.concat([df1, df3], join='inner')

1.3 merge 关联数据

merge 方法类似于 sql 中的 join 语句，用于两个数据集之间按照行标签索引|列标签索引链接，默认是inner，可以设置为：left、right、outer

基本格式：

方法	说明
pd.merge(left, right, ...) 或 left.merge(right, ...)	两个数据集直接进行关联操作

merge函数的参数：

• left：左侧数据集
• right：右侧数据集
• how：关联方式，默认为 inner，可以设置为：left、right、outer
• on=‘列名’： 左侧和有则数据以哪一列进行关联操作，左右两侧列名相同时才指定 on 参数
• left_on=‘左侧列名’ 和 right_on=‘右侧列名’：左右两侧关联时，列名不同时使用
• left_index=False：默认为 False，设置为 True，表示左侧的行标签和右侧的数据进行关联
• right_index=False：默认为 False，设置为 True，表示左侧的数据和右侧的行标签进行关联

1.4 join 关联数据

join 方法类是 merge 方法的一个特殊情况，被调用的数据集按照行标签索引|列标签索引和另一个数据集的行标签索引关联，默认是left，可以设置为：right，inner、outer

基本格式：

方法	说明
df.join(other, ...)	左侧数据集的行标签或列标签和右侧数据集的行标签进行关联操作

join函数的参数：

• other：右侧数据集
• how：关联方式，默认为 left，可以设置为：right、inner、outer
• on=‘左侧行标签或列标签’： 左侧数据集的行标签名称或列标签名称，on省略时，默认为左侧数据行标签
• lsuffix：关联后的数据中出现相同列名时，lsuffix指定左侧数据集出现相同列名的后缀
• rsuffix：关联后的数据中出现相同列名时，rsuffix指定右侧数据集出现相同列名的后缀

2.缺失值处理

2.1 pandas 缺失值 NaN 简介

在实际进行数据处理的过程中，很多数据集都含缺失数据。

缺失数据有多重表现形式：

1）数据库中，缺失数据表示为NULL

2）在某些编程语言中用NA或None表示

3）缺失值也可能是空字符串''或数值 0

4）在 pandas 中使用 NaN 表示缺失值

• pandas 中的 NaN 值来自 NumPy 库
• NumPy 中缺失值有几种表示形式：NaN，NAN，nan，他们都一样

注意点1：缺失值和其它类型的数据不同，它毫无意义，NaN不等于0，也不等于空字符串
注意点2：两个NaN也不相等

pandas 判断是否为缺失值方法：

方法	说明
pd.isnull(obj) 或 pd.isna(obj)	判断 obj 是否为缺失值

2.2缺失值处理

字段介绍：

字段名	说明
PassengerId	乘客的ID
Survived	乘客是否获救，0：没获救，1：已获救
Pclass	乘客船舱等级（1/2/3三个等级舱位）
Name	乘客姓名
Sex	性别
Age	年龄
SibSp	乘客在船上的兄弟姐妹/配偶数量
Parch	乘客在船上的父母/孩子数量
Ticket	船票号
Fare	船票价
Cabin	客舱号码
Embarked	登船的港口

2.3总结

• 数据中包含缺失值是很常见的情况，缺失值可能在很多环节产生（用户没填，程序错误，数据合并…)
• pandas中用np.NaN 表示缺失值，通过pd.isnull()或者pd.notnull()来判断是否是缺失值
• 常用的缺失值处理方式
  • 删除缺失值
    • 按行删除
    • 按列删除
  • 填充缺失值
    • 默认值填充
    • 统计值填充
    • 用前、后值填充
    • 线性插值填充

3. 数据整理

3.1 melt整理数据

3.1.1 宽数据集变为长数据集

# 加载数据
#加载美国收入与宗教信仰数据 pew.csv
pew = pd.read_csv('./data/pew.csv')
pew.head()

pew_long = pd.melt(pew, id_vars=['religion'])
pew_long

结果说明：

1）我们发现，基于religion列，把原来的df拉长了，我们称原来的df为宽数据集，拉长之后的df称之为长数据集

• 对于展示数据而言，下图中pew返回的这种"宽"数据没有任何问题，如第一行数据，展示了Agnostic（不可知论（者））所有的收入分布情况
• 从数据分析的角度，有时候我们需要把数据由"宽"数据，转换成"长"数据，就如同下图中pew_long返回的数据
• 在pandas中我们就可以使用df.melt()函数，通过各种参数，来达成宽数据集转换为长数据集的效果

3.1.2 melt 函数的参数

melt 是溶解/分解的意思， 即拆分数据；melt即是类函数也是实例函数，也就是说既可以用pd.melt(), 也可使用dataframe.melt()

参数	类型	说明
frame	dataframe	必要参数，被 melt 的数据集名称在 pd.melt() 中使用，比如上例中pd.melt(pew, id_vars='religion')的pew
id_vars	tuple/list/ndarray	可选项，不需要被转换的列名，在转换后作为标识符列（不是索引列），比如上例pd.melt(pew, id_vars='religion')
value_vars	tuple/list/ndarray	可选项，需要被转换的现有列，如果未指明value_vars，除id_vars指定的其他列都将被转换
var_name	string	自定义设置variable列的列名
value_name	string	自定义设置value列的列名

3.2stack 整理数据

pandas进行数据重排时，经常用到 stack 和 unstack 两个函数。stack 的意思是堆叠、堆积，unstack 即"不要堆叠"

常见的数据的层次化结构有两种，一种是表格，一种是"花括号"，即下面这样的两种形式：

stack函数会将数据从表格结构 变成 花括号结构（返回的是series类型），即将其列索引变成行索引，反之，unstack函数将数据从 花括号结构变成 表格结构，即要将其中一层的行索引变成列索引。

3.3wide_to_long 整理数据

wide_to_long函数的作用是将列名起始部分相同的列进行拆解，使宽数据变换为长数据

需求：

• 加载data/movie.csv数据，统计每部电影的每个主演的被点赞数，返回新的df
• 新df 的列名为 movie_title、actor_num、actor、actor_facebook_likes：分别代表电影名称、演员编号、演员姓名、该演员被点赞数

3.4 总结

• melt、stack、wide_to_long函数均可以实现将宽数据整理成长数据
  • melt：指定数据列，将指定列变成长数据
  • stack：返回一个具有多层级索引的数据，配合reset_index可以实现宽数据变成长数据
  • wide_to_long：处理列名带数字后缀的宽数据
• stack/unstack, melt/pivot_table 互为逆向操作

4. pandas数据类型

4.1 pandas 数据类型简介

4.1.1 Numpy介绍

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

1）Numpy 支持常见的数组和矩阵操作

• 对于同样的数值计算任务，使用 Numpy 比直接使用 Python 要简洁的多

2）Numpy 使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器

比如我们现在对下面表格中的数据用 Numpy 的 ndarray 类型来存储：

​

Numpy ndarray的优势：

1）数据在内存中存储的风格

• ndarray 在存储数据时所有元素的类型都是相同的，数据内存地址是连续的，批量操作数组元素时速度更快
• python 原生 list 只能通过寻址方式找到下一个元素，这虽然也导致了在通用性方面 Numpy 的 ndarray 不及python 原生 list，但计算的时候速度就慢了

4.1.2 Numpy 的 ndarray

ndarray的属性清单：

属性	说明
ndarray.shape	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度（字节）
ndarray.dtype	数组元素的类型

• 下表为ndarray的全部数据类型；最常用的类型是布尔和int64，其他只要了解就好：

名称	描述	简写
np.bool	用一个字节存储的布尔类型（True或False）	‘b’
np.int8	一个字节大小，-128 至 127	‘i’
np.int16	整数，-32768 至 32767	‘i2’
np.int32	整数，-2的31次方 至 2的32次方 -1	‘i4’
np.int64	整数，-2的63次方 至 2的63次方 - 1	‘i8’
np.uint8	无符号整数，0 至 255	‘u’
np.uint16	无符号整数，0 至 65535	‘u2’
np.uint32	无符号整数，0 至 2的32次方 - 1	‘u4’
np.uint64	无符号整数，0 至 2的64次方 - 1	‘u8’
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位	‘f2’
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位	‘f4’
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位	‘f8’
np.complex64	复数，分别用两个32位浮点数表示实部和虚部	‘c8’
np.complex128	复数，分别用两个64位浮点数表示实部和虚部	‘c16’
np.object_	python对象	‘O’
np.string_	字符串	‘S’
np.unicode_	unicode类型

4.1.3 pandas 的数据类型

pandas 是基于 Numpy 的，很多功能都依赖于 Numpy 的 ndarray 实现的，pandas 的数据类型很多与 Numpy 类似，属性也有很多类似。比如 pandas 数据中的 NaN 就是 numpy.nan

下图中为 pandas 的数据类型清单，其中 category 我们之前的学习中没有见过的：

• category 是由固定的且有限数量的变量组成的。比如：性别、社会阶层、血型、国籍、观察时段、赞美程度等等。
• category 类型的数据可以具有特定的顺序。比如：性别分为男、女，血型ABO。我们会在本章节的最后来了解这种数据类型。

4.2 类型转换

4.2.1 astype函数

astype方法是通用函数，可用于把DataFrame中的任何列转换为其他dtype

可以向astype方法提供任何内置类型或numpy类型来转换列的数据类型

4.2.2 转换为字符串对象

在上面的tips数据中，sex、smoker、day 和 time 变量都是category类型。通常，如果变量不是数值类型，应先将其转换成字符串类型以便后续处理

有些数据集中可能含有id列，id的值虽然是数字，但对id进行计算（求和，求平均等）没有任何意义，在某些情况下，可能需要把它们转换为字符串对象类型。

1）把一列的数据类型转换为字符串，可以使用 astype方法：

tips['sex_str'] = tips['sex'].astype(str)
print(tips.dtypes)

4.3 总结

• Numpy 的特点
  • Numpy 是一个高效科学计算库，pandas 的数据计算功能是对 Numpy 的封装
  • ndarray 是 Numpy 的基本数据结构，pandas 的 Series 和 DataFrame 好多函数和属性都与 ndarray 一样
  • Numpy 的计算效率比原生 Python 效率高很多，并且支持并行计算
• pandas 数据类型转换
  • pandas 除了数值型的 int 和 float 类型外，还有object、category、bool、datetime类型
  • 可以通过 as_type 和 to_numeric 函数进行数据类型转换
• pandas 分类数据类型
  • category 类型，可以用来进行排序，并且可以自定义排序顺序
  • CategoricalDtype 可以用来定义顺序