python数据清洗
来源:互联网 发布:php反射机制和作用 编辑:程序博客网 时间:2024/04/28 06:24
1.缺失值的处理
对于数据中缺失的值,可以有3种方法处理:
1.删除。比如餐厅的营业额,有几天去装修了,确实没营业,可以删除
2.不处理:有一些模型可以将缺失值作为一种特殊的值,可以直接建模。
3.补上:
均值/中位数/众数:一般情况吧
固定值:比如工资啊,补贴啊
最近临插补:最近的值,相邻的,补上
下面是拉格朗日插值法
原理可以参考下面的博客
http://blog.csdn.net/a1368783069/article/details/51491749
#-*- coding: utf-8 -*-#拉格朗日插值代码import pandas as pd #导入数据分析库Pandasfrom scipy.interpolate import lagrange #导入拉格朗日插值函数inputfile = 'E:/PythonMaterial/chapter4/demo/data/catering_sale.xls' #销量数据路径outputfile = 'E:/PythonMaterial/chapter4/demo/data/sales.xls' #输出数据路径#data 为 DataFrame 类型data = pd.read_excel(inputfile) #读入数据#将异常值作为空值处理data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None #过滤异常值,将其变为空值#自定义列向量插值函数#s为列向量,指的是数据表中的一列;n为被插值的位置;k为取前后的数据个数,默认为5,取这个数前面和后面的5个数来做,如果把全部数据集都放进去,算不过来def ployinterp_column(s, n, k=5): #range是从参数1到参数2-1 y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取数,此时y就是前5个数以及后5个数,总共10个数 #剔除空值,因为range之后,y可能会取到下标不在数据集中的位置,比如当n是0的时候,前面5个数是没有的, #或者在数据集中但本身就是空值的,这些值在y中都表示为none,所以去掉空之后,y就全部是有效值了 y = y[y.notnull()] return lagrange(y.index, list(y))(n) #x列是y的下标,插值并返回插值结果#逐个元素判断是否需要插值#首先从每一列开始判断,一列一列的做for i in data.columns: #j表示这列中的每个元素,下标是0~len-1 for j in range(len(data)): #为什么j是放在后面的,我是没搞懂 if (data[i].isnull())[j]: #如果为空即插值。 data[i][j] = ployinterp_column(data[i], j)data.to_excel(outputfile) #输出结果,写入文件
非常坑的是,这个最后的结果第一行居然是负数,也是醉了。说明这个看起来高大上的算法也不过如此嘛。所以还不如取平均数呢。
2.异常值处理
首先将这些异常值变为空值,然后按照空值进行处理
0 0
- python数据清洗
- python 爬虫数据清洗
- python-数据清洗
- Python开发数据清洗
- python数据清洗步骤
- Python Pandas、Spark数据清洗
- 数据清洗-python代码实现
- python--数据清洗
- python数据预处理之数据清洗
- 微博数据清洗(Python版)
- python数据清洗流程和注意点
- 数据清洗
- 数据清洗
- 数据清洗
- 数据清洗
- 数据清洗
- 数据清洗
- 数据清洗
- hdu--1233(最小生成树)
- Windows XP系统用还原点启动后 Delphi 7代码编辑器的保留字显示问题修复
- 遇到iOS10适配的坑之一
- Android App的设计架构:MVC,MVP,MVVM与架构经验谈
- Android 中LayoutInflater的使用!
- python数据清洗
- 【js】js获取地址中get参数
- 软件综合实习——基于NoSQL数据库的空间数据存储
- html5新标签介绍
- 系统架构师考试笔记记录,持续补充中
- Mysql 启动慢查询日志 (不用重启)
- 最全的hadoop2.4.1版本分布式集群高可用模式安装步骤
- 状态压缩(3)+dp--hdu1565(能力题)
- android小技巧之---获取状态栏高度