16 KiB
處理數據：數據準備
 |
|---|
| 數據準備 - 由 @nitya 繪製的手繪筆記 |
課前測驗
根據數據的來源，原始數據可能包含一些不一致性，這些不一致性會對分析和建模造成挑戰。換句話說，這些數據可以被歸類為「髒數據」，需要進行清理。本課程專注於清理和轉換數據的技術，以處理缺失、不準確或不完整的數據。本課程涵蓋的主題將使用 Python 和 Pandas 庫，並在本目錄中的筆記本中展示。
清理數據的重要性
-
便於使用和重用：當數據被正確地組織和標準化後，搜索、使用和與他人共享數據會變得更加容易。
-
一致性：數據科學通常需要處理多個數據集，這些數據集可能來自不同的來源，需要合併在一起。確保每個數據集都有共同的標準化，能保證在合併為一個數據集時，數據仍然有用。
-
模型準確性：清理過的數據能提高依賴於這些數據的模型的準確性。
常見的清理目標和策略
-
探索數據集：數據探索（在後續課程中會介紹）可以幫助你發現需要清理的數據。通過可視化觀察數據集中的值，可以設置對其餘部分的期望，或者提供解決問題的思路。探索可以包括基本查詢、可視化和抽樣。
-
格式化：根據數據的來源，數據在呈現方式上可能存在不一致性。這可能導致在搜索和表示值時出現問題，數據雖然在數據集中可見，但在可視化或查詢結果中未正確表示。常見的格式化問題包括解決空白、日期和數據類型問題。解決格式化問題通常由使用數據的人來決定。例如，不同國家對日期和數字的表示方式可能不同。
-
重複數據：多次出現的數據可能會產生不準確的結果，通常應該刪除。這在合併兩個或多個數據集時很常見。然而，有時合併數據集中包含的重複部分可能提供額外的信息，這些信息可能需要保留。
-
缺失數據：缺失數據可能導致不準確以及結果的偏差或弱化。有時可以通過重新加載數據、使用 Python 等代碼計算並填充缺失值，或者乾脆刪除缺失值及其相關數據來解決。數據缺失的原因有很多，解決缺失值的行動取決於數據缺失的方式和原因。
探索 DataFrame 信息
學習目標：在本小節結束時，你應該能夠熟練地查找存儲在 pandas DataFrame 中的數據的一般信息。
當你將數據加載到 pandas 中時，它很可能會以 DataFrame 的形式存在（參考之前的課程以獲取詳細概述）。然而，如果你的 DataFrame 中的數據集有 60,000 行和 400 列，你該如何開始了解你正在處理的內容？幸運的是，pandas 提供了一些方便的工具，可以快速查看 DataFrame 的整體信息以及前幾行和後幾行。
為了探索這些功能，我們將導入 Python 的 scikit-learn 庫並使用一個經典的數據集：Iris 數據集。
import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
iris_df = pd.DataFrame(data=iris['data'], columns=iris['feature_names'])
| sepal length (cm) | sepal width (cm) | petal length (cm) | petal width (cm) | |
|---|---|---|---|---|
| 0 | 5.1 | 3.5 | 1.4 | 0.2 |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 |
- DataFrame.info：首先，
info()方法用於打印DataFrame中內容的摘要。我們來看看這個數據集包含什麼：
iris_df.info()
RangeIndex: 150 entries, 0 to 149
Data columns (total 4 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 sepal length (cm) 150 non-null float64
1 sepal width (cm) 150 non-null float64
2 petal length (cm) 150 non-null float64
3 petal width (cm) 150 non-null float64
dtypes: float64(4)
memory usage: 4.8 KB
從中我們知道，Iris 數據集有 150 條記錄，分佈在四列中，且沒有空值。所有數據都存儲為 64 位浮點數。
- DataFrame.head()：接下來，為了檢查
DataFrame的實際內容，我們使用head()方法。讓我們看看iris_df的前幾行：
iris_df.head()
sepal length (cm) sepal width (cm) petal length (cm) petal width (cm)
0 5.1 3.5 1.4 0.2
1 4.9 3.0 1.4 0.2
2 4.7 3.2 1.3 0.2
3 4.6 3.1 1.5 0.2
4 5.0 3.6 1.4 0.2
- DataFrame.tail()：相反，為了檢查
DataFrame的最後幾行，我們使用tail()方法：
iris_df.tail()
sepal length (cm) sepal width (cm) petal length (cm) petal width (cm)
145 6.7 3.0 5.2 2.3
146 6.3 2.5 5.0 1.9
147 6.5 3.0 5.2 2.0
148 6.2 3.4 5.4 2.3
149 5.9 3.0 5.1 1.8
重點：僅僅通過查看 DataFrame 中信息的元數據或其中的前幾個和後幾個值，你就可以立即了解你正在處理的數據的大小、形狀和內容。
處理缺失數據
學習目標：在本小節結束時，你應該知道如何從 DataFrame 中替換或刪除空值。
大多數時候，你想要使用（或不得不使用）的數據集中都會有缺失值。如何處理缺失數據涉及一些微妙的權衡，這些權衡可能會影響你的最終分析和現實世界的結果。
Pandas 以兩種方式處理缺失值。第一種方式你在之前的部分中已經見過：NaN，即非數值（Not a Number）。這實際上是一個特殊值，是 IEEE 浮點數規範的一部分，僅用於表示缺失的浮點值。
對於浮點數以外的缺失值，pandas 使用 Python 的 None 對象。雖然遇到兩種不同的值來表示相同的含義可能會讓人感到困惑，但這種設計選擇有其合理的編程原因，實際上，這種方式能夠在大多數情況下提供一個良好的折衷。不過，None 和 NaN 都有一些限制，這些限制需要你在使用它們時注意。
在筆記本中了解更多關於 NaN 和 None 的內容！
- 檢測空值：在
pandas中，isnull()和notnull()方法是檢測空數據的主要方法。這兩個方法都返回布爾掩碼。我們將使用numpy來處理NaN值：
import numpy as np
example1 = pd.Series([0, np.nan, '', None])
example1.isnull()
0 False
1 True
2 False
3 True
dtype: bool
仔細觀察輸出。是否有任何結果讓你感到驚訝？雖然 0 是一個算術上的空值，但它仍然是一個完全有效的整數，pandas 將其視為這樣。'' 更微妙一些。雖然我們在第一部分中使用它來表示一個空字符串值，但它仍然是一個字符串對象，而不是 pandas 所認為的空值表示。
現在，讓我們反過來以更實際的方式使用這些方法。你可以直接將布爾掩碼用作 Series 或 DataFrame 的索引，這在處理孤立的缺失（或存在）值時非常有用。
重點：
isnull()和notnull()方法在DataFrame中產生類似的結果：它們顯示結果及其索引，這對於處理數據時非常有幫助。
- 刪除空值：除了識別缺失值，pandas 還提供了一種方便的方法來從
Series和DataFrame中刪除空值。（特別是在大型數據集中，通常建議直接刪除缺失值，而不是以其他方式處理它們。）讓我們回到example1來看看這一點：
example1 = example1.dropna()
example1
0 0
2
dtype: object
注意，這應該與 example3[example3.notnull()] 的輸出類似。不同之處在於，dropna 刪除了 Series example1 中的缺失值，而不是僅僅基於掩碼值進行索引。
由於 DataFrame 是二維的，因此它提供了更多刪除數據的選項。
example2 = pd.DataFrame([[1, np.nan, 7],
[2, 5, 8],
[np.nan, 6, 9]])
example2
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 1.0 | NaN | 7 |
| 1 | 2.0 | 5.0 | 8 |
| 2 | NaN | 6.0 | 9 |
（你是否注意到 pandas 將兩列數據提升為浮點數以容納 NaN？）
你無法從 DataFrame 中刪除單個值，因此必須刪除整行或整列。根據你的需求，你可能需要刪除其中之一，pandas 為此提供了選項。由於在數據科學中，列通常表示變量，行表示觀測值，因此你更可能刪除數據行；dropna() 的默認設置是刪除包含任何空值的所有行：
example2.dropna()
0 1 2
1 2.0 5.0 8
如果需要，你也可以刪除列中的 NA 值。使用 axis=1 即可：
example2.dropna(axis='columns')
2
0 7
1 8
2 9
注意，這可能會刪除你可能想保留的大量數據，特別是在較小的數據集中。如果你只想刪除包含多個甚至所有空值的行或列該怎麼辦？你可以在 dropna 中使用 how 和 thresh 參數來指定這些設置。
默認情況下，how='any'（如果你想自行檢查或查看該方法的其他參數，可以在代碼單元中運行 example4.dropna?）。你也可以選擇指定 how='all'，以便僅刪除包含所有空值的行或列。讓我們擴展我們的示例 DataFrame 來看看這一點。
example2[3] = np.nan
example2
| 0 | 1 | 2 | 3 | |
|---|---|---|---|---|
| 0 | 1.0 | NaN | 7 | NaN |
| 1 | 2.0 | 5.0 | 8 | NaN |
| 2 | NaN | 6.0 | 9 | NaN |
thresh 參數為你提供了更細粒度的控制：你可以設置一行或一列需要保留的非空值數量：
example2.dropna(axis='rows', thresh=3)
0 1 2 3
1 2.0 5.0 8 NaN
在這裡，第一行和最後一行被刪除，因為它們僅包含兩個非空值。
- 填充空值：根據你的數據集，有時用有效值填充空值比刪除它們更有意義。你可以使用
isnull就地完成這項工作，但這可能很繁瑣，特別是當你有很多值需要填充時。由於這是數據科學中的一項常見任務，pandas 提供了fillna，它返回一個Series或DataFrame的副本，其中的缺失值被你選擇的值替換。讓我們創建另一個示例Series，看看這在實踐中如何運作。
example3 = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
example3
a 1.0
b NaN
c 2.0
d NaN
e 3.0
dtype: float64
你可以用單個值（例如 0）填充所有空條目：
example3.fillna(0)
a 1.0
b 0.0
c 2.0
d 0.0
e 3.0
dtype: float64
你可以向前填充空值，即使用最後一個有效值填充空值：
example3.fillna(method='ffill')
a 1.0
b 1.0
c 2.0
d 2.0
e 3.0
dtype: float64
你也可以向後填充，即將下一個有效值向後傳播以填充空值：
example3.fillna(method='bfill')
a 1.0
b 2.0
c 2.0
d 3.0
e 3.0
dtype: float64
正如你可能猜到的，這對於 DataFrame 也適用，但你還可以指定沿著哪個 axis 填充空值。再次使用之前的 example2：
example2.fillna(method='ffill', axis=1)
0 1 2 3
0 1.0 1.0 7.0 7.0
1 2.0 5.0 8.0 8.0
2 NaN 6.0 9.0 9.0
注意，當沒有可用的前一個值進行向前填充時，空值仍然保留。
重點: 在處理資料集中的遺漏值時，有多種方法可供選擇。具體使用的策略（移除、替換，甚至如何替換）應根據資料的特性來決定。隨著你處理和互動資料集的次數增加，你將更能掌握如何應對遺漏值。
移除重複資料
學習目標: 在本小節結束時，你應該能夠熟練地識別並移除 DataFrame 中的重複值。
除了遺漏資料外，你在真實世界的資料集中還會經常遇到重複的資料。幸運的是，pandas 提供了一種簡便的方法來檢測和移除重複的條目。
- 識別重複值:
duplicated: 你可以使用 pandas 中的duplicated方法輕鬆地找到重複值。該方法返回一個布林遮罩，指示DataFrame中某個條目是否是之前條目的重複。讓我們創建另一個範例DataFrame來看看它的運作方式。
example4 = pd.DataFrame({'letters': ['A','B'] * 2 + ['B'],
'numbers': [1, 2, 1, 3, 3]})
example4
| letters | numbers | |
|---|---|---|
| 0 | A | 1 |
| 1 | B | 2 |
| 2 | A | 1 |
| 3 | B | 3 |
| 4 | B | 3 |
example4.duplicated()
0 False
1 False
2 True
3 False
4 True
dtype: bool
- 移除重複值:
drop_duplicates: 該方法會返回一份資料的副本，其中所有duplicated值均為False：
example4.drop_duplicates()
letters numbers
0 A 1
1 B 2
3 B 3
duplicated 和 drop_duplicates 預設會考慮所有列，但你可以指定它們僅檢查 DataFrame 中的部分列：
example4.drop_duplicates(['letters'])
letters numbers
0 A 1
1 B 2
重點: 移除重複資料是幾乎每個資料科學專案中的重要部分。重複的資料可能會改變你的分析結果，並導致不準確的結論！
🚀 挑戰
所有討論的材料都提供為 Jupyter Notebook。此外，每個部分後面都有練習題，試著完成它們吧！
課後測驗
回顧與自學
有許多方法可以探索並準備你的資料進行分析和建模，而清理資料是一個需要「親身操作」的步驟。試試 Kaggle 上的這些挑戰，探索本課未涵蓋的技術。
作業
免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於重要資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。