電子發(fā)燒友App
作者：Lianne & Justin? ?
在擬合機器學(xué)習(xí)或統(tǒng)計模型之前，我們通常需要清洗數(shù)據(jù)。用雜亂數(shù)據(jù)訓(xùn)練出的模型無法輸出有意義的結(jié)果。
數(shù)據(jù)清洗：從記錄集、表或數(shù)據(jù)庫中檢測和修正（或刪除）受損或不準(zhǔn)確記錄的過程。它識別出數(shù)據(jù)中不完善、不準(zhǔn)確或不相關(guān)的部分，并替換、修改或刪除這些臟亂的數(shù)據(jù)。
「數(shù)據(jù)清洗」光定義就這么長，執(zhí)行過程肯定既枯燥又耗時。 ? ? ? ? 為了將數(shù)據(jù)清洗簡單化，本文介紹了一種新型完備分步指南，支持在 Python 中執(zhí)行數(shù)據(jù)清洗流程。讀者可以學(xué)習(xí)找出并清洗以下數(shù)據(jù)的方法：
缺失數(shù)據(jù)；
不規(guī)則數(shù)據(jù)（異常值）；
不必要數(shù)據(jù)：重復(fù)數(shù)據(jù)（repetitive data）、復(fù)制數(shù)據(jù)（duplicate data）等；
不一致數(shù)據(jù)：大寫、地址等；
該指南使用的數(shù)據(jù)集是 Kaggle 競賽 Sberbank 俄羅斯房地產(chǎn)價值預(yù)測競賽數(shù)據(jù)（該項目的目標(biāo)是預(yù)測俄羅斯的房價波動）。本文并未使用全部數(shù)據(jù)，僅選取了其中的一部分樣本。 ? ? ? ? 在進入數(shù)據(jù)清洗流程之前，我們先來看一下數(shù)據(jù)概況。
# import packages
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib.mlab as mlab
import matplotlib
plt.style.use('ggplot')
from matplotlib.pyplot import figure
%matplotlib inline
matplotlib.rcParams['figure.figsize'] = (12,8)
pd.options.mode.chained_assignment = None
# read the data
df = pd.read_csv('sberbank.csv')
# shape and data types of the data
print(df.shape)
print(df.dtypes)
# select numeric columns
df_numeric = df.select_dtypes(include=[np.number])
numeric_cols = df_numeric.columns.values
print(numeric_cols)
# select non numeric columns
df_non_numeric = df.select_dtypes(exclude=[np.number])
non_numeric_cols = df_non_numeric.columns.values
print(non_numeric_cols)
? 從以上結(jié)果中，我們可以看到該數(shù)據(jù)集共有 30,471 行、292 列，還可以辨別特征屬于數(shù)值變量還是分類變量。這些都是有用的信息。 ? 現(xiàn)在，我們可以瀏覽「臟」數(shù)據(jù)類型檢查清單，并一一攻破。 ? 開始吧！ ? 缺失數(shù)據(jù) ? 處理缺失數(shù)據(jù)/缺失值是數(shù)據(jù)清洗中最棘手也最常見的部分。很多模型可以與其他數(shù)據(jù)問題和平共處，但大多數(shù)模型無法接受缺失數(shù)據(jù)問題。 ?
如何找出缺失數(shù)據(jù)？
本文將介紹三種方法，幫助大家更多地了解數(shù)據(jù)集中的缺失數(shù)據(jù)。 ? 方法 1：缺失數(shù)據(jù)熱圖 ? 當(dāng)特征數(shù)量較少時，我們可以通過熱圖對缺失數(shù)據(jù)進行可視化。
cols = df.columns[:30] # first 30 columns colours = ['#000099', '#ffff00'] # specify the colours - yellow is missing. blue is not missing. sns.heatmap(df[cols].isnull(), cmap=sns.color_palette(colours))下表展示了前 30 個特征的缺失數(shù)據(jù)模式。橫軸表示特征名，縱軸表示觀察值/行數(shù)，黃色表示缺失數(shù)據(jù)，藍(lán)色表示非缺失數(shù)據(jù)。 ? 例如，下圖中特征 life_sq 在多個行中存在缺失值。而特征 floor 只在第 7000 行左右出現(xiàn)零星缺失值。 ?
# if it's a larger dataset and the visualization takes too long can do this. # % of missing. for col in df.columns: pct_missing = np.mean(df[col].isnull()) print('{} - {}%'.format(col, round(pct_missing*100)))? 得到如下列表，該表展示了每個特征的缺失值百分比。 ? 具體而言，我們可以從下表中看到特征 life_sq 有 21% 的缺失數(shù)據(jù)，而特征 floor 僅有 1% 的缺失數(shù)據(jù)。該列表有效地總結(jié)了每個特征的缺失數(shù)據(jù)百分比情況，是對熱圖可視化的補充。 ?
# first create missing indicator for features with missing data
for col in df.columns:
missing = df[col].isnull()
num_missing = np.sum(missing)
if num_missing > 0:
print('created missing indicator for: {}'.format(col))
df['{}_ismissing'.format(col)] = missing
# then based on the indicator, plot the histogram of missing values
ismissing_cols = [col for col in df.columns if 'ismissing' in col]
df['num_missing'] = df[ismissing_cols].sum(axis=1)
df['num_missing'].value_counts().reset_index().sort_values(by='index').plot.bar(x='index', y='num_missing')
? 直方圖可以幫助在 30,471 個觀察值中識別缺失值狀況。 ? 例如，從下圖中可以看到，超過 6000 個觀察值不存在缺失值，接近 4000 個觀察值具備一個缺失值。 ?
# drop rows with a lot of missing values. ind_missing = df[df['num_missing'] > 35].index df_less_missing_rows = df.drop(ind_missing, axis=0)? 解決方案 2：丟棄特征 ? 與解決方案 1 類似，我們只在確定某個特征無法提供有用信息時才丟棄它。 ? 例如，從缺失數(shù)據(jù)百分比列表中，我們可以看到 hospital_beds_raion 具備較高的缺失值百分比——47%，因此我們丟棄這一整個特征。 ?
# hospital_beds_raion has a lot of missing. # If we want to drop. cols_to_drop = ['hospital_beds_raion'] df_less_hos_beds_raion = df.drop(cols_to_drop, axis=1)? 解決方案 3：填充缺失數(shù)據(jù) ? 當(dāng)特征是數(shù)值變量時，執(zhí)行缺失數(shù)據(jù)填充。對同一特征的其他非缺失數(shù)據(jù)取平均值或中位數(shù)，用這個值來替換缺失值。 ? 當(dāng)特征是分類變量時，用眾數(shù)（最頻值）來填充缺失值。 ? 以特征 life_sq 為例，我們可以用特征中位數(shù)來替換缺失值。 ?
# replace missing values with the median. med = df['life_sq'].median() print(med) df['life_sq'] = df['life_sq'].fillna(med)? 此外，我們還可以對所有數(shù)值特征一次性應(yīng)用同樣的填充策略。 ?
# impute the missing values and create the missing value indicator variables for each numeric column.
df_numeric = df.select_dtypes(include=[np.number])
numeric_cols = df_numeric.columns.values
for col in numeric_cols:
missing = df[col].isnull()
num_missing = np.sum(missing)
if num_missing > 0: # only do the imputation for the columns that have missing values.
print('imputing missing values for: {}'.format(col))
df['{}_ismissing'.format(col)] = missing
med = df[col].median()
df[col] = df[col].fillna(med)
?
# impute the missing values and create the missing value indicator variables for each non-numeric column.
df_non_numeric = df.select_dtypes(exclude=[np.number])
non_numeric_cols = df_non_numeric.columns.values
for col in non_numeric_cols:
missing = df[col].isnull()
num_missing = np.sum(missing)
if num_missing > 0: # only do the imputation for the columns that have missing values.
print('imputing missing values for: {}'.format(col))
df['{}_ismissing'.format(col)] = missing
top = df[col].describe()['top'] # impute with the most frequent value.
df[col] = df[col].fillna(top)
解決方案 4：替換缺失值 ? 對于分類特征，我們可以添加新的帶值類別，如 _MISSING_。對于數(shù)值特征，我們可以用特定值（如-999）來替換缺失值。 ? 這樣，我們就可以保留缺失值，使之提供有價值的信息。??
# categorical df['sub_area'] = df['sub_area'].fillna('_MISSING_') # numeric df['life_sq'] = df['life_sq'].fillna(-999)? 不規(guī)則數(shù)據(jù)（異常值） ? 異常值指與其他觀察值具備顯著差異的數(shù)據(jù)，它們可能是真的異常值也可能是錯誤。 ? 如何找出異常值？ ? 根據(jù)特征的屬性（數(shù)值或分類），使用不同的方法來研究其分布，進而檢測異常值。 ? 方法 1：直方圖/箱形圖 ? 當(dāng)特征是數(shù)值變量時，使用直方圖和箱形圖來檢測異常值。 ? 下圖展示了特征 life_sq 的直方圖。 ?
# histogram of life_sq. df['life_sq'].hist(bins=100)? 由于數(shù)據(jù)中可能存在異常值，因此下圖中數(shù)據(jù)高度偏斜。 ?
# box plot. df.boxplot(column=['life_sq'])? 從下圖中我們可以看到，異常值是一個大于 7000 的數(shù)值。 ?
df['life_sq'].describe()?
? 方法 3：條形圖 ? 當(dāng)特征是分類變量時，我們可以使用條形圖來了解其類別和分布。 ? 例如，特征 ecology 具備合理的分布。但如果某個類別「other」僅有一個值，則它就是異常值。 ?
# bar chart?-? distribution of a categorical variable df['ecology'].value_counts().plot.bar()?
num_rows = len(df.index)
low_information_cols = [] #
for col in df.columns:
cnts = df[col].value_counts(dropna=False)
top_pct = (cnts/num_rows).iloc[0]
if top_pct > 0.95:
low_information_cols.append(col)
print('{0}: {1:.5f}%'.format(col, top_pct*100))
print(cnts)
print()
? 我們可以逐一查看這些變量，確認(rèn)它們是否提供有用信息。（此處不再詳述。） ?
# we know that column 'id' is unique, but what if we drop it?
df_dedupped = df.drop('id', axis=1).drop_duplicates()
# there were duplicate rows
print(df.shape)
print(df_dedupped.shape)
? 我們發(fā)現(xiàn)，有 10 行是完全復(fù)制的觀察值。 ? 
? 如何處理基于所有特征的復(fù)制數(shù)據(jù)？ ? 刪除這些復(fù)制數(shù)據(jù)。 ? 復(fù)制數(shù)據(jù)類型 2：基于關(guān)鍵特征 ? 如何找出基于關(guān)鍵特征的復(fù)制數(shù)據(jù)？ ? 有時候，最好的方法是刪除基于一組唯一標(biāo)識符的復(fù)制數(shù)據(jù)。 ? 例如，相同使用面積、相同價格、相同建造年限的兩次房產(chǎn)交易同時發(fā)生的概率接近零。 ? 我們可以設(shè)置一組關(guān)鍵特征作為唯一標(biāo)識符，比如 timestamp、full_sq、life_sq、floor、build_year、num_room、price_doc。然后基于這些特征檢查是否存在復(fù)制數(shù)據(jù)。 ?
key = ['timestamp', 'full_sq', 'life_sq', 'floor', 'build_year', 'num_room', 'price_doc'] df.fillna(-999).groupby(key)['id'].count().sort_values(ascending=False).head(20)? 基于這組關(guān)鍵特征，我們找到了 16 條復(fù)制數(shù)據(jù)。 ?
# drop duplicates based on an subset of variables. key = ['timestamp', 'full_sq', 'life_sq', 'floor', 'build_year', 'num_room', 'price_doc'] df_dedupped2 = df.drop_duplicates(subset=key) print(df.shape) print(df_dedupped2.shape)? 刪除 16 條復(fù)制數(shù)據(jù)，得到新數(shù)據(jù)集 df_dedupped2。 ?
? 不一致數(shù)據(jù) ? 在擬合模型時，數(shù)據(jù)集遵循特定標(biāo)準(zhǔn)也是很重要的一點。我們需要使用不同方式來探索數(shù)據(jù)，找出不一致數(shù)據(jù)。大部分情況下，這取決于觀察和經(jīng)驗。不存在運行和修復(fù)不一致數(shù)據(jù)的既定代碼。 ? 下文介紹了四種不一致數(shù)據(jù)類型。 ? 不一致數(shù)據(jù)類型 1：大寫 ? 在類別值中混用大小寫是一種常見的錯誤。這可能帶來一些問題，因為 Python 分析對大小寫很敏感。 ? 如何找出大小寫不一致的數(shù)據(jù)？ ? 我們來看特征 sub_area。 ?
df['sub_area'].value_counts(dropna=False)? 它存儲了不同地區(qū)的名稱，看起來非常標(biāo)準(zhǔn)化。 ?
# make everything lower case. df['sub_area_lower'] = df['sub_area'].str.lower() df['sub_area_lower'].value_counts(dropna=False)?
df?
df['timestamp_dt'] = pd.to_datetime(df['timestamp'], format='%Y-%m-%d') df['year'] = df['timestamp_dt'].dt.year df['month'] = df['timestamp_dt'].dt.month df['weekday'] = df['timestamp_dt'].dt.weekday print(df['year'].value_counts(dropna=False)) print() print(df['month'].value_counts(dropna=False))?
? 相關(guān)文章：https://towardsdatascience.com/how-to-manipulate-date-and-time-in-python-like-a-boss-ddea677c6a4d ? 不一致數(shù)據(jù)類型 3：類別值 ? 分類特征的值數(shù)量有限。有時由于拼寫錯誤等原因可能出現(xiàn)其他值。 ? 如何找出類別值不一致的數(shù)據(jù)？ ? 我們需要觀察特征來找出類別值不一致的情況。舉例來說： ? 由于本文使用的房地產(chǎn)數(shù)據(jù)集不存在這類問題，因此我們創(chuàng)建了一個新的數(shù)據(jù)集。例如，city 的值被錯誤輸入為「torontoo」和「tronto」，其實二者均表示「toronto」（正確值）。 ? 識別它們的一種簡單方式是模糊邏輯（或編輯距離）。該方法可以衡量使一個值匹配另一個值需要更改的字母數(shù)量（距離）。 ? 已知這些類別應(yīng)僅有四個值：「toronto」、「vancouver」、「montreal」和「calgary」。計算所有值與單詞「toronto」（和「vancouver」）之間的距離，我們可以看到疑似拼寫錯誤的值與正確值之間的距離較小，因為它們只有幾個字母不同。 ?
from nltk.metrics import edit_distance
df_city_ex = pd.DataFrame(data={'city': ['torontoo', 'toronto', 'tronto', 'vancouver', 'vancover', 'vancouvr', 'montreal', 'calgary']})
df_city_ex['city_distance_toronto'] = df_city_ex['city'].map(lambda x: edit_distance(x, 'toronto'))
df_city_ex['city_distance_vancouver'] = df_city_ex['city'].map(lambda x: edit_distance(x, 'vancouver'))
df_city_ex
?
msk = df_city_ex['city_distance_toronto'] <= 2 df_city_ex.loc[msk, 'city'] = 'toronto' msk = df_city_ex['city_distance_vancouver'] <= 2 df_city_ex.loc[msk, 'city'] = 'vancouver' df_city_ex?
# no address column in the housing dataset. So create one to show the code. df_add_ex = pd.DataFrame(['123 MAIN St Apartment 15', '123 Main Street Apt 12 ', '543 FirSt Av', ' 876 FIRst Ave.'], columns=['address']) df_add_ex? 我們可以看到，地址特征非?；靵y。 ?
? 如何處理地址不一致的數(shù)據(jù)？ ? 運行以下代碼將所有字母轉(zhuǎn)為小寫，刪除空格，刪除句號，并將措辭標(biāo)準(zhǔn)化。 ?
df_add_ex['address_std'] = df_add_ex['address'].str.lower() df_add_ex['address_std'] = df_add_ex['address_std'].str.strip() # remove leading and trailing whitespace. df_add_ex['address_std'] = df_add_ex['address_std'].str.replace('\.', '') # remove period. df_add_ex['address_std'] = df_add_ex['address_std'].str.replace('\bstreet\b', 'st') # replace street with st. df_add_ex['address_std'] = df_add_ex['address_std'].str.replace('\bapartment\b', 'apt') # replace apartment with apt. df_add_ex['address_std'] = df_add_ex['address_std'].str.replace('\bav\b', 'ave') # replace apartment with apt. df_add_ex? 現(xiàn)在看起來好多了： ?
編輯：黃飛
?
工商網(wǎng)監(jiān)
評論