Python数据分析入门笔记4——数据预处理之重复值

Python数据分析入门笔记4——数据预处理之重复值 系列文章目录

---

Python数据分析入门笔记1——学习前的准备
Python数据分析入门笔记2——pandas数据读取
Python数据分析入门笔记3——数据预处理之缺失值

Python数据分析入门笔记

系列文章目录前言一、重复值的检测二、重复值的处理总结

---

前言

pandas可以用isnull()，isna()，notnull()和notna()四个方法来检测缺失值。
若要直观地统计表中各列的缺失率，可以用自定义函数或者missingno库来实现。

如果缺失数据只有个别几个，可以直接用dropna()方法按行删除；

例如：要从一个Dataframe中，删掉列1内容为NaN或者列2内容为NaN的行，并且删除后覆盖更新原数据
Dataframe名称.dropna(axis=0, subset=[‘列1’,‘列2’], inplace=True)

如果这一列80%以上数据都缺失，可以考虑用drop()方法直接删除这一列；

例如：要从一个Dataframe中，列1和列2中缺失了绝大部分数据，那么可以用axis=1来代表删除列
Dataframe名称.drop(axis=1, subset=[‘列1’,‘列2’])

如果缺失数据的这列，数据不是时间序列类型，那可以直接用默认值或者统计值来填充；

例如：将这个Dataframe对象中的所有缺失值都填充为缺失值前面的值。
Dataframe名称.fillna(method=‘ffill’)

如果缺失数据的这一列是时间序列类型，通常用线性插补法来插补数据。

例如：结合线性插值法对这个Dataframe对象中的缺失值进行插补。
Dataframe名称.interpolate(method=‘linear’)

---

一、重复值的检测

pandas中使用duplicated()方法来检测数据中的重复值。检测完数据后会返回一个由布尔值组成的Series类对象，该对象中若包含True，说明该值对应的一行数据为重复项。

Dataframe.duplicated(subset=None, keep=‘first’)

参数说明取值和解释subset表示识别重复项的列索引或列索引序列。默认标识所有的列索引keep表示采用哪种方式保留重复项。‘first’，默认值，删除重复项，仅保留第一次出现的数据项。
‘last’，删除重复项，仅保留最后一次出现的数据项。
‘False’，表示将所有相同的数据都标记为重复项。

用法如下：

import pandas as pd
import numpy as np 
stu_info=pd.Dataframe({'序号':['S1','S2','S3','S4','S4'],
                '姓名':['张三','李四','王五','赵六','赵六'],
                '性别':['男','男','女','男','男'],
                '年龄':[15,16,15,14,,14],
                '住址':['苏州','南京',np.nan,np.nan]})
# 检测stu_info对象中的重复值
stu_info.duplicated()

原始数据：

输出结果：

对比两次结果，我们能发现，行索引号为4的数据和行索引号为3的数据完全相同，所以我们调用duplicated()方法会默认保留第一次出现的数据，将后面出现的重复值标记为True。

二、重复值的处理

对于重复值，pandas中一般使用drop_duplicates()方法删除重复值。

Dataframe.drop_duplicates(subset=None, keep=‘first’, inplace=False, ignore_index=False)

参数说明：

参数说明取值和解释subset表示删除重复项的列索引或列索引序列，默认删除所有的列索引。keep表示采用哪种方式保留重复项。‘first’，默认值，删除重复项，仅保留第一次出现的数据项。
‘last’，删除重复项，仅保留最后一次出现的数据项。
‘False’，表示将所有相同的数据都标记为重复项。inplace表示是否放弃副本数据，返回新的数据，默认为FalseTrue，放弃副本，更新原数据。
False，不更新原数据。ignore_index表示是否对删除重复值后的对象的行索引重新排序，默认为False。True，重新排序。
False，不重新排序。

用法如下：

# 删除stu_info对象中的重复值
stu_info.drop_duplicates()

执行结果：

我们可以看出，行索引为4的一行数据被删除了。

---

总结

重复值的检测与处理比较简单。