严把数据质量关，用Pandas轻松进行七项基本数据检查-51CTO.COM

一、简介

作为一名数据工程师，面对糟糕的数据质量，该如何进行必要的数据质量检查呢？可以使用Pandas执行快捷的数据质量检查。

本文使用scikit-learn提供的California Housing数据集。

【数据集】：https://scikit-learn.org/stable/modules/generated/sklearn.datasets.fetch_california_housing.html

二、California Housing数据集概述

本文使用Scikit-learn数据集模块中的California Housing数据集。该数据集包含20000多条记录，涵盖了八个数值特征和一个目标房价中值。

【数据集模块】：https://scikit-learn.org/stable/datasets/real_world.html#real-world-datasets

接下来，将数据集读取到一个名为df的Pandas数据帧中：

from sklearn.datasets import fetch_california_housing
import pandas as pd

# 获取California Housing数据集
data = fetch_california_housing()

# 将数据集转换为Pandas DataFrame
df = pd.DataFrame(data.data, columns=data.feature_names)

# 添加目标列
df['MedHouseVal'] = data.target

要获取数据集的详细描述，运行data.DESCR，如下所示：

print(data.DESCR)

图片

data.DESCR的输出结果

接下来了解一下数据集的基本信息：

df.info()

输出结果如下：

Output >>>


RangeIndex: 20640 entries, 0 to 20639
Data columns (total 9 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   MedInc    20640 non-null  float64
 1   HouseAge  20640 non-null  float64
 2   AveRooms  20640 non-null  float64
 3   AveBedrms 20640 non-null  float64
 4   Population   20640 non-null  float64
 5   AveOccup  20640 non-null  float64
 6   Latitude  20640 non-null  float64
 7   Longitude 20640 non-null  float64
 8   MedHouseVal  20640 non-null  float64
dtypes: float64(9)
memory usage: 1.4 MB

由于存在数值特征，因此也使用describe()方法获取摘要统计信息：

df.describe()

图片

df.describe()的输出结果

三、7项基本数据质量检查

3.1 检查缺失值

现实世界的数据集经常存在缺失值。为了分析数据和建立模型，就需要处理这些缺失值。

为确保数据质量，应该检查缺失值的比例是否在特定的容差范围内。然后，可以使用适当的填充策略对缺失值进行填充。

因此，第一步是检查数据集中所有特征的缺失值。

以下代码会检查数据帧df中每一列的缺失值：

# 检查数据帧中的缺失值
missing_values = df.isnull().sum()
print("Missing Values:")
print(missing_values)

结果是一个显示每列缺失值计数的Pandas序列：

Output >>>

Missing Values:
MedInc      0
HouseAge    0
AveRooms    0
AveBedrms   0
Population  0
AveOccup    0
Latitude    0
Longitude   0
MedHouseVal 0
dtype: int64

如上所示，此数据集中没有缺失值。

3.2 识别重复记录

数据集中的重复记录可能会影响分析结果。因此，应该根据需要检查并删除重复记录。

以下是识别并返回df中重复行的代码。如果存在重复行，它们将包含在结果中：

# 检查数据帧中是否有重复行
duplicate_rows = df[df.duplicated()]
print("Duplicate Rows:")
print(duplicate_rows)

结果是一个空数据帧。这意味着数据集中没有重复记录：

Output >>>

Duplicate Rows:
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []

3.3 检查数据类型

在分析数据集时，经常需要转换或缩放一个或多个特征。为了避免在执行此类操作时出现意外错误，重要的是检查列是否都是预期的数据类型。

以下代码检查数据框df中每一列的数据类型：

# 检查DataFrame中每一列的数据类型
data_types = df.dtypes
print("Data Types:")
print(data_types)

在这里，所有的数值特征都是预期的浮点数据类型：

Output >>>

Data Types:
MedInc      float64
HouseAge    float64
AveRooms    float64
AveBedrms   float64
Population  float64
AveOccup    float64
Latitude    float64
Longitude   float64
MedHouseVal float64
dtype: object

3.4 检查异常值

异常值是指与数据集中其他点显著不同的数据点。在“California Housing数据集概述”部分，本文对数据帧运行了describe()方法。

根据四分位值和最大值，可以确定一些特征包含异常值。具体而言，这些特征有：

MedInc
AveRooms
AveBedrms
Population

处理异常值的一种方法是使用四分位数间距（interquartile range，IQR），即第75个四分位数和第25个四分位数之间的差值。如果Q1是第25个四分位数，Q3是第75个四分位数，那么四分位数间距的计算公式为Q3 - Q1。

然后使用四分位数和IQR来定义区间[Q1 - 1.5 * IQR, Q3 + 1.5 * IQR]。所有在此范围之外的点都是异常值。

columns_to_check = ['MedInc', 'AveRooms', 'AveBedrms', 'Population']

# 查找带有异常值的记录的函数
def find_outliers_pandas(data, column):
 Q1 = data[column].quantile(0.25)
 Q3 = data[column].quantile(0.75)
 IQR = Q3 - Q1
 lower_bound = Q1 - 1.5 * IQR
 upper_bound = Q3 + 1.5 * IQR
 outliers = data[(data[column] < lower_bound) | (data[column] > upper_bound)]
 return outliers

# 对每个指定的列查找带有异常值的记录
outliers_dict = {}

for column in columns_to-check:
 outliers_dict[column] = find_outliers_pandas(df, column)

# 打印每列中带有异常值的记录
for column, outliers in outliers_dict.items():
 print(f"Outliers in '{column}':")
 print(outliers)
 print("\n")

图片

'AveRooms'列中的异常值 | 用于异常值检查的截断输出

3.5 验证数值范围

对于数值特征，一项重要的检查是验证范围。这可以确保特征的所有观测值都在预期范围内。

以下代码将验证MedInc值是否在预期范围内，并识别出不符合这一标准的数据点：

# 检查'MedInc'列的数值范围
valid_range = (0, 16)  
value_range_check = df[~df['MedInc'].between(*valid_range)]
print("Value Range Check (MedInc):")
print(value_range_check)

也可以尝试选择其他的数值特征。但可以看到，MedInc列中的所有数值都在预期范围内：

Output >>>

Value Range Check (MedInc):
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []

3.6 检查列间的依赖关系

大多数数据集都包含相关的特征。因此，根据列（或特征）之间的逻辑相关关系进行检查是很重要的。

虽然单个特征本身可能在预期范围内取值，但它们之间的关系可能是不一致的。

以下是本文数据集的一个示例。在一个有效的记录中，“AveRooms”通常应大于或等于“AveBedRms”。

# AveRooms不应小于AveBedrooms
invalid_data = df[df['AveRooms'] < df['AveBedrms']]
print("Invalid Records (AveRooms < AveBedrms):")
print(invalid_data)

在正在处理的California housing数据集中，没有发现这样的无效记录：

Output >>>

Invalid Records (AveRooms < AveBedrms):
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []

3.7 检查不一致的数据输入

在大多数数据集中，不一致的数据输入是一个常见的数据质量问题。例如：

日期时间列中的格式不一致
分类变量值的记录不一致
以不同单位记录读数

在本文的数据集中，已经验证了列的数据类型并识别了异常值。但还可以尝试检查数据输入是否一致。

接下来举一个简单的例子，检查所有的日期输入是否具有一致的格式。

在这里，本文使用正则表达式结合Pandas的apply()函数来检查所有日期输入是否符合YYYY-MM-DD的格式：

import pandas as pd
import re

data = {'Date': ['2023-10-29', '2023-11-15', '23-10-2023', '2023/10/29', '2023-10-30']}
df = pd.DataFrame(data)

# 定义预期的日期格式
date_format_pattern = r'^\d{4}-\d{2}-\d{2}$'  # YYYY-MM-DD format

# 检查日期值是否符合预期格式的函数
def check_date_format(date_str, date_format_pattern):
 return re.match(date_format_pattern, date_str) is not None

# 对'Date'列应用格式检查
date_format_check = df['Date'].apply(lambda x: check_date_format(x, date_format_pattern))

# 识别并检索不符合预期格式的日期记录
non_adherent_dates = df[~date_format_check]

if not non_adherent_dates.empty:
 print("Entries that do not follow the expected format:")
 print(non_adherent_dates)
else:
 print("All dates are in the expected format.")

这将返回不符合预期格式的日期记录：

Output >>>

Entries that do not follow the expected format:
      Date
2  23-10-2023
3  2023/10/29

四、总结

本文介绍了使用Pandas进行常见数据质量检查的方法。

当在处理较小的数据分析项目时，使用Pandas进行这些数据质量检查是一个很好的起点。根据问题和数据集的不同，还可以加入其他检查。