如何构建使用Python进行数据处理的肌肉记忆
请点击上方“AI公园”，关注公众号
作者：Zhen Liu
编译：ronghuaiyang
当你需要搜索语法问题的时候，导致了数据处理流程的中断，你感到沮丧吗？同样的东西你搜索了3次为什么还是记不住？这是因为你还没有足够的联系，还没有养成肌肉记忆。
现在，设想你正在写代码，Python的语法和函数随着你的思路从指间飞出，这种感觉是有多爽！这个指南将帮助你达到这种境界。
我建议每个早晨练习这些脚本10分钟，连续一周。这就像每天做几个仰卧起坐，不过不是为了你的腹肌，而是为了你的数据科学的肌肉。渐渐的，经过这段时间的重复练习，你就能感到进步。
在开始我们的“数据科学健身”之前，我们将练习最通用的数据预处理的语法作为热身。
内容:
0 . 读取，查看和存储数据
1 . 表格的维度和数据的格式
2 . 基本的列操作
3 . 空值的查看，删除和补全
4 . 数据去重
0. 读取，查看和存储数据
首先，导入需要用的工具包
# 1.Load libraries #
import pandas as pd
import numpy as np
然后，我们读一个Github上的数据，我们从Zillow上下载数据
file_dir = "https://raw.githubusercontent.com/zhendata/Medium_Posts/master/City_Zhvi_1bedroom_2018_05.csv"
# read csv file into a Pandas dataframe
raw_df = pd.read_csv(file_dir)
# check first 5 rows of the file
然后可以看到这样的结果：
存储数据是dataframe.to_csv()，如果你不想存储编号，可以使用dataframe.to_csv(index=False)。
1 . 表格的维度和数据的格式
1.1 维度
数据集中有多少行，多少列？
raw_df.shape
# the results is a vector: (# of rows, # of cols)
# Get the number of rows
print(raw_df.shape[0])
1.2 数据类型
你的数据都是什么类型？有多少列是数字？
# Check the data types of the entire table's columns
raw_df.dtypes
# Check the data type of a specific column
raw_df['RegionID'].dtypes
输出的前面几列的数据类型：
如果你想看特定的类别，可以用select_dtypes() 来include或者exclude一个数据类型。问题：如果我只想看2018年的数据，我该怎么做？
2 . 基本的列操作
2.1 通过列得到数据集的子集
通过列获取数据类型：
# if you only want to include columns of float data
raw_df.select_dtypes(include=['float64'])
# Or to get numerical columns by excluding objects (non-numeric)
raw_df.select_dtypes(exclude=['object'])
# Get a list of all numerical column names #
num_cols = raw_df.select_dtypes(include=[np.number]).columns.tolist()
如果你只想要浮点型和整型的数据的列：
通过名字来选择或者丢掉列：
# select a subset of columns by names
raw_df_info = raw_df[['RegionID', 'RegionName', 'State', 'Metro', 'CountyName']]
# drop columns by names
raw_df_sub = raw_df_info.drop(['RegionID','RegionName'],axis=1)
raw_df_sub.head(5)
2.2 重命名列
如果我不喜欢某一列的名字，我怎么重命名呢？例如，将State换为state_ , City换成city_:
# Change column names #
raw_df_renamed1 = raw_df.rename(columns= {'State':'state_', 'City':'city_})
# If you need to change a lot of columns: this is easy for you to map the old and new names
old_names = ['State', 'City']
new_names = ['state_', 'city_']
raw_df_renamed2 = raw_df.rename(columns=dict(zip(old_names, new_names))
3 . 空值的查看，删除和补全
3.1 有多少行和列里面有空值？
# 1. For each column, are there any NaN values?
raw_df.isnull().any()
# 2. For each column, how many rows are NaN?
raw_df.isnull().sum()
# the results for 1&2 are shown in the screenshot below this block
# 3. How many columns have NaNs?
raw_df.isnull().sum(axis=0).count()
# the result is 271.
# axis=0 is the default for operation across rows, so raw_df.isnull().sum().count() yields the same result
# 4. Similarly, how many rows have NaNs?
raw_df.isnull().sum(axis=1).count()
# the result is 1324
输出为isnull.any()和isnull.sum()的对比：
选择一列中不为空值的数据，例如，Metro不是空值
raw_df_metro = raw_df[pd.notnull(raw_df['Metro'])]
# If we want to take a look at what cities have null metros
raw_df[pd.isnull(raw_df['Metro'])].head(5)
3.2 对于固定的列，选择不为空的行
选择2000年以后的不包括空值的子集。
如果你想选择7月份的数据，你需要找到那些包含'-07'的列，为了看一个字符串中是否包含另一个字符串，可以使用string中的substring，然后输出一个true或者false。
# Drop NA rows based on a subset of columns: for example, drop the rows if it doesn't have 'State' and 'RegionName' info
df_regions = raw_df.dropna(subset = ['State', 'RegionName'])
# Get the columns with data available after 2000: use <string>.startwith("string") function #
cols_2000= [x for x in raw_df.columns.tolist() if '2000-' in x]
raw_df.dropna(subset=cols_2000).head(5)
3.3 通过空值来获取子数据集
选择至少有50个非空值数据的行，但是不需要指定列。
# Drop the rows where at least one columns is NAs.
# Method 1:
raw_df.dropna()
#It's the same as df.dropna(axis='columns', how = 'all')
# Method 2:
raw_df[raw_df.notnull()]
# Only drop the rows if at least 50 columns are Nas
not_null_50_df = raw_df.dropna(axis='columns', thresh=50)
3.4 丢弃和补全数据
填入0或者补全NA
#fill with 0:
raw_df.fillna(0)
#fill NA with string 'missing':
raw_df['State'].fillna('missing')
#fill with mean or median:
raw_df['2018-01'].fillna((raw_df['2018-01'].mean()),inplace=True)
# inplace=True changes the original dataframe without assigning it to a column or dataframe
# it's the same as raw_df['2018-01']=raw_df['2018-01'].fillna((raw_df['2018-01'].mean()),inplace=False)
4. 数据去重
当我们把数据集合在一起的时候，我们需要确定没有重复的数据。
我们需要看一下，是否有重复的cities/regions，我们需要决定使用什么样的唯一的ID来进行分析。
# Check duplicates #
raw_df.duplicated()
# output True/False values for each column
raw_df.duplicated().sum()
# for raw_df it's 0, meaning there's no duplication
# Check if there's any duplicated values by column, output is True/False for each row
raw_df.duplicated('RegionName')
# Select the duplicated rows to see what they look like
# keep = False marks all duplicated values as True so it only leaves the duplicated rows
raw_df[raw_df['RegionName'].duplicated(keep=False)].sort_values('RegionName')
丢弃重复的值
‘CountyName’ 和 ‘SizeRank’ 的组合已经是唯一的了，所以我们这些列来进行丢弃的操作。
# Drop duplicated rows #
# syntax: df.drop_duplicates(subset =[list of columns], keep = 'first', 'last', False)
unique_df = raw_df.drop_duplicates(subset = ['CountyName','SizeRank'], keep='first')
这是我的建立使用python来做数据科学的肌肉记忆的第一部分，完整的脚本可以从这里得到。后面还有会分割和索引数据，希望对你有用。
本文可以任意转载，转载时请注明作者及原文地址。
请长按二维码关注我们