数据预处理的10个小技能，附Pandas实现-数据预处理的方法

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

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

技能2：分位数法

q1 = df['a'].quantile(.25) 
q3 = df['a'].quantile(.75) 
iqr = q3-q1 
toprange = q3 + iqr * 1.5 
botrange = q1 - iqr * 1.5 
 
copydf = df 
copydfcopydf = copydf.drop(copydf[copydf['a'] 
        > toprange].index) 
copydfcopydf = copydf.drop(copydf[copydf['a'] 
        < botrange].index) 
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

# axis 0 表示按照行，all 此行所有值都为 nan 
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：

# 使用a列平均数填充列的空值，inplace true表示就地填充 
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：

df.loc[(df['a'] < -2,'a')] = 0 
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：

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：

import string 
exclude = set(string.punctuation) 
 
def remove_punctuation(x): 
    x = ''.join(ch for ch in x if ch not in exclude) 
    return x 
# 原df 
Out[26]:  
      a       b 
0   c,d  edc.rc 
1     3       3 
2  d ef       4 
 
# 过滤a列标点 
In [27]: dfdf.a = df.a.apply(remove_punctuation)  
In [28]: df                 
Out[28]:  
      a       b 
0    cd  edc.rc 
1     3       3 
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']：

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

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

pd.get_dummies(df['a'])

自定义函数，结合 apply:

def c2n(x): 
    if x=='A': 
        return 95 
    if x=='B': 
        return 80 
 
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。