实例 | 使用网易云音乐数据演示数据整合与数据清洗

2019年03月24日 由 sunlei 发表 406470 0


作者 | 小F

来源 | 法纳斯特(walker398)

数据整合是对数据进行行列选择、创建、删除等操作。

数据清洗则是将整合好的数据去除其中的错误和异常。

本文利用之前获取的网易云音乐用户数据,来简单讲一下Pandas的用法,以便以后能更好的使用。

1、数据整合


首先读取数据。


import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 设置列名与数据对齐
pd.set_option('display.unicode.ambiguous_as_wide', True)
pd.set_option('display.unicode.east_asian_width', True)
# 显示所有列
pd.set_option('display.max_columns', None)
# 显示10行
pd.set_option('display.max_rows', 10)
# 设置显示宽度为1000,这样就不会在IDE的输出框中换行了
pd.set_option('display.width', 1000)

# 读取数据
df = pd.read_excel('data.xlsx', header=None, names=['name', 'user_id', 'age', 'gender', 'city', 'praise', 'date'], encoding='utf-8-sig', skipinitialspace=True)
print(df)

这里以上期的网易云音乐用户数据为例(链接:我爬取了17000条网易云音乐的用户评论,果然精彩(附代码))。


01 行列操作


选择单列。可以直接用列名选择,也可以通过ix、iloc、loc方法进行选择行、列。

ix方法可以使用数值或者字符作为索引来选择行、列。

iloc则只能使用数值作为索引来选择行、列。

loc方法在选择列时只能使用字符索引。


# 返回pandas序列结构的类
print(df['age'])
print(df.age)
print(df.ix[:, 'age'])
print(df.loc[:, 'age'])
# 返回pandas数据框类
print(df[['age']])
print(df.iloc[:, 2:3])

输出结果。





选择多列。ix、iloc、loc方法都可使用。

只不过ix和loc方法,行索引是前后都包括的,而列索引则是前包后不包(与列表索引一致)。

iloc方法则和列表索引一致,前包后不包。


# 列索引前包后包
print(df.ix[0:5, 0:5])
print(df.loc[0:5, ('name', 'user_id', 'age', 'gender', 'city')])# 列索引前包后不包
print(df.iloc[0:5, 0:5])


# 列索引前包后包
print(df.ix[0:5, 0:5])
print(df.loc[0:5, ('name', 'user_id', 'age', 'gender', 'city')])# 列索引前包后不包
print(df.iloc[0:5, 0:5])

输出结果。



创建列。可以直接通过赋值完成,也可通过数据框的assign来完成赋值,不过后一种方法需要赋值给新表才能生效。


# 直接列赋值
df['adult'] = df['age'] // 18
print(df)# 使用assign赋值
df = df.assign(adult=df['age'] // 18)
print(df)


# 直接列赋值
df['adult'] = df['age'] // 18
print(df)# 使用assign赋值
df = df.assign(adult=df['age'] // 18)
print(df)

两个方法的输出结果都一样。


删除列。使用数据框的方法drop。


# 删除单列
print(df.drop('date', axis=1))# 删除多列
print(df.drop(['praise', 'date'], axis=1))

输出结果。

02 条件查询


单条件查询。使用比较运算符进行查询,如「==  >  <  >=  <= !=」。生成bool索引。


# 生成bool索引
print(df.age > 17)# 返回符合条件的数据
print(df[df.age > 17])

输出结果,这里以年龄大于18岁为例。



多条件查询。无非就是加个逻辑运算符。如「&  ~  |」,代表了与、非、或。


# 筛选年龄成年且性别为女性的用户
print(df[(df.age > 17) & (df.gender == 2)])# 筛选评论点赞数不为0的用户
print(df[~(df.praise == 0)])# 筛选地区在河南或湖南的用户
print(df[(df.city == 430100) | (df.city == 410100)])

输出结果。



当然Pandas还提供了更方便的条件查询方法,比如query、between、isin、str.contains(匹配开头)。

使用query进行条件查询。


# 筛选成年用户
print(df.query('age > 17'))# 筛选地区在河南或湖南的用户
print(df.query('(city == 430100) | (city == 410100)'))

输出结果。



between方法,查询数据在某个范围的记录。


# 查询18到25岁的用户数据,inclusive为True意思是将边界包括在内
print(df[df['age'].between(18, 25, inclusive=True)])

输出结果。


对于字符串来说,可以使用isin方法进行查询。


# 查询在某个时间评论的用户情况
print(df[df['date'].isin(['2019-03-11 16:19:00', '2019-03-11 16:00:00'])])

输出结果。

03 横向连接


Pandas提供了merge方法来完成各种表的横向连接操作。其中包括内连接外连接

内连接,根据公共字段保留两表共有的信息。


# 表1
df1 = df.iloc[0:10, 0:2]
print(df1)# 表2
df2 = df.iloc[0:10, 1:7]
print(df2)

两表数据如下。


两表横向连接代码如下。


# 公共字段名称一致时
print(df1.merge(df2, how='inner', on='user_id'))# 公共字段名称不一致时
print(df1.merge(df2, how='inner', left_on='user_id', right_on='user_id'))

输出结果。



外连接包括左连接、右连接、全连接

哪边连接,哪边的信息全保留,另一边的缺失信息会以NaN补全。

how的参数值分别为left、right、outer。

04 纵向连接

数据的纵向合并指的是将两张或多张表纵向拼接起来,使得原先两张或多张表的数据整合到一张表上。


# 表1
df1 = df.iloc[0:10, :]
print(df1)# 表2
df2 = df.iloc[8:15, :]
print(df2)

两表数据如下。



pd.concat方法不仅可以完成纵向合并,还能完成横向合并。

当参数axis的值为0时,纵向合并。

当参数axis的值为1时,横向合并。


# ignore_index=True表示忽略两表原先的行索引,合并并重新排序索引,drop_duplicates()表示去重
print(pd.concat([df1, df2], ignore_index=True, axis=0).drop_duplicates())

输出结果。



 

05 排序


Pandas的排序方法有以下三种。

sort_values、sort_index、sortlevel。

第一个表示按值排序,第二个表示按索引排序,第三个表示按级别排序。


# 按用户年龄降序排序,last表示缺失值数据排在最后面(first)
print(df.sort_values('age', ascending=False, na_position='last'))# 多个排序变量,这里以性别和年龄(有先后顺序)
print(df.sort_values(['gender', 'age'], ascending=False, na_position='last'))

输出结果。


06 分组汇总


groupby方法可以进行分组汇总。agg方法则可一次汇总多个统计量。


# 对性别分组,汇总点赞数,获取点赞数最大值
print(df.groupby('gender')[['praise']].max())# 对性别和年龄分组,获取点赞数的平均值
print(df.groupby(['gender', 'age'])[['praise']].mean())# 对性别分组,获取点赞数和年龄的平均值
print(df.groupby(['gender'])[['praise', 'age']].mean())# 对性别分组,获取性别的计数值
print(df.groupby(['gender'])[['gender']].count())# 多重索引
print(df.groupby(['gender', 'date'])['age', 'praise'].agg(['mean', 'max', 'min', 'count']))

输出结果,这里只展示计数的结果,也是平常用的比较多的。



通过上面的数值,就能绘制出用户性别分布情况的饼图。

07 赋值与条件赋值



# 将某个值替换
print(df.praise.replace(33, np.nan))
条件赋值。这里以性别列为例,将0,1,2替换为未知、男性、女性。

def transform(row):
"""
标识性别
"""
if row['gender'] == 1:
return ('男性')
elif row['gender'] == 2:
return ('女性')
else:
return ('未知')# axis=1为列循环,axis=0为行循环
print(df.apply(transform, axis=1))# 赋值到新列
print(df.assign(gender_c=df.apply(transform, axis=1)))

输出结果。



除了apply方法,还可以通过条件查询直接赋值。


df = df.copy()
df.loc[df.gender == 0, 'gender_c'] = '未知'
df.loc[df.gender == 1, 'gender_c'] = '男性'
df.loc[df.gender == 2, 'gender_c'] = '女性'
print(df)

输出结果,和上图一样。

2、数据清洗


01 重复值处理


Pandas提供了查看和删除重复数据的方法,具体如下。


# 查看重复的数据
print(df[df.duplicated()])# 删除重复的数据
print(df.drop_duplicates())# 去除用户ID重复的所有记录
print(df.drop_duplicates('user_id'))

输出结果如下,分别对应查看,删除,特定列删除。


02 缺失值处理


Pandas提供了fillna方法用于替换缺失值数据。


# sum(col.isnull())表示当前列有多少缺失,col.size表示当前列总共有多少行数据
print(df.apply(lambda col: sum(col.isnull())/col.size))

首先查看各列的缺失情况。



填补缺失值数据,将昵称缺失值设置为未知。


# 填补缺失值
print(df.name.fillna('未知'))

输出结果。



还可以调用方法isnull产生缺失值指示变量。


# 默认的bool类型
print(df.name.isnull())# 数值0、1型指示变量
print(df.name.isnull().apply(int))

输出结果。




03 数据分箱


分箱法包括等深分箱(每个分箱样本数量一致)和等宽分箱(每个分箱的取值范围一致)。

其中Pandas的qcut函数提供了分箱的实现方法,默认是实现等宽分箱


# 等宽分箱
print(pd.cut(df.age, 5))# 自定义标签
print(pd.cut(df.age, bins=5, labels=[10, 15, 20, 25, 30]))

这里以年龄为例,输出如下。



实现等深分箱,其中每个箱的宽度可能不一。


# 去除没有年龄数据的用户
df = df[df.age != 0]# 输出等深度分2箱的分位数
print(df.age.quantile([0, 0.5, 1]))# include_lowest=True表示包含边界的最小值
print(pd.cut(df.age, bins=df.age.quantile([0, 0.5, 1]), include_lowest=True))

输出结果。


3、总结


有关Pandas的知识还很多,本次就到此为止。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
评论 登录
热门职位
Maluuba
20000~40000/月
Cisco
25000~30000/月 深圳市
PilotAILabs
30000~60000/年 深圳市
写评论取消
回复取消