数据预处理的10个小技巧，附Pandas实现

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

1. import pandas as pd 
2.  
3. df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]}) 
4.  
5. # 异常值平均值上下1.96个标准差区间以外的值 
6. meangrade = df['a'].mean() 
7. stdgrade = df['a'].std() 
8. toprange = meangrade + stdgrade * 1.96 
9. botrange = meangrade - stdgrade * 1.96 
10.  
11. # 过滤区间外的值 
12. copydf = df 
13. copydfcopydf = copydf.drop(copydf[copydf['a'] 
14.         > toprange].index) 
15. copydfcopydf = copydf.drop(copydf[copydf['a'] 
16.         < botrange].index) 
17. copydf 

技能2：分位数法

1. q1 = df['a'].quantile(.25) 
2. q3 = df['a'].quantile(.75) 
3. iqr = q3-q1 
4. toprange = q3 + iqr * 1.5 
5. botrange = q1 - iqr * 1.5 
6.  
7. copydf = df 
8. copydfcopydf = copydf.drop(copydf[copydf['a'] 
9.         > toprange].index) 
10. copydfcopydf = copydf.drop(copydf[copydf['a'] 
11.         < botrange].index) 
12. 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

1. # axis 0 表示按照行，all 此行所有值都为 nan 
2. 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：

1. # 使用a列平均数填充列的空值，inplace true表示就地填充 
2. 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：

1. df.loc[(df['a'] < -2,'a')] = 0 
2. 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：

（编辑：桂林站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!