數據日期/字符串/高級函數轉換處理——Python數據清洗實戰筆記(5)

數據轉換

1.日期格式數據處理

import numpy as np
import pandas as pd
#encoding:指定字符集類型;dtype:每列數據的數據類型。
df = pd.read_csv('../data/baby_trade_history.csv',encoding='utf-8',dtype={'user_id':str})
df.head()

#對購買日期進行轉換;加errors防止報錯
df['buy_date'] =pd.to_datetime(df['day'],format='%Y%m%d',errors='coerce')

#查看類型
df.dtypes

可以提取對應年月日，必須爲timestamp纔可以，具體的時間點

df['buy_date'].dt.year

2. 字符串數據處理

文件讀取

df2 = pd.read_csv('../data/MotorcycleData.csv',encoding='gbk')
df2.head()

#字符串切片

df2['Price'].str[0:4]

把Price的object轉換爲float直接轉會報錯：

df2['Price'].astype(float)

需要進行字符串處理:

df2['價格'] = df2['Price'].str.strip('$')
df2['價格'] = df2['價格'].str.replace(',','')
df2['價格'] = df2['價格'].astype(float)

對文本的處理，使用字符串分割

df2['Location'].str.split(',')

計算字符串長度

df2['Mileage'].str.len()

3.高級函數數據處理

#嬰兒信息
df3 = pd.read_csv('../data/sam_tianchi_mum_baby.csv',encoding='utf-8',dtype=str)

自定義函數,apply轉換

def f(x):
    if '0' in x:
        return '女'
    elif '1' in x:
        return '男'
    else:
        return '未知'
      
      
df3['性別'] = df3['gender'].apply(f)
df3.head(3)

map函數

df3['性別4'] = df3['gender'].map({'0':'女','1':'男','2':'未知'})
df3

apply+lambda，對某些值做**替換

df3['user_id'].apply(lambda x : x.replace(x[1:3],'**'))

提取年份

df3['birthday'].apply(lambda x : str(x)[0:4])

其它內容學習

• Python數據清洗實戰筆記——導論(1)
• NumpyPandas常用數據結構(2)
• Csv/Excel/mysql文件讀寫操作(3)
• 數據表(篩選、增刪改查、整理、層次化索引)處理(4)
• 數據統計(分組groupby/聚合函數agg/apply/透視表與交叉表)(6)
• 數據預處理(重複值/異常值/數據離散化)(7)
• 總結(清洗意義/步驟/函數)(8)
• 數據、筆記、思維導圖課程整體github下載

知識點細緻延伸

1.pd.read_csv()

官網傳送門

函數：

pandas.read_csv（filepath_or_buffer：Union [str，pathlib.Path，IO [〜AnyStr]]，sep ='，'，分隔符= None，標頭='infer'，名稱= None，index_col = None，usecols = None，squeeze = False，前綴= None，mangle_dupe_cols = True，dtype = None，engine = None，轉換器= None，true_values = None，false_values = None，skipinitialspace = False，skiprows = None，skipfooter = 0，nrows = None，na_​​values = None，keep_default_na = True ，na_filter = True，verbose = False，skip_blank_lines = True，parse_dates = False，infer_datetime_format = False，keep_date_col = False，date_parser = None，dayfirst = False，cache_dates = True，iterator = False，chunksize = None，壓縮='infer' ，千位=無，十進制：str ='。'，換行符=無，quotechar ='“''，引號= 0，雙引號= True，轉義字符=無，註釋=無，編碼=無，方言=無，error_bad_lines = True ，warn_bad_lines = True，delim_whitespace = False，low_memory = True，memory_map = False，float_precision =無

參數：

filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)

​ 可以是URL，可用URL類型包括：http, ftp, s3和文件。對於多文件正在準備中本地文件讀取實例：😕/localhost/path/to/table.csv

sep : str, default ‘,’

​ 指定分隔符。如果不指定參數，則會嘗試使用逗號分隔。分隔符長於一個字符並且不是‘\s+’,將使用python的語法分析器。並且忽略數據中的逗號。正則表達式例子：’\r\t’

delimiter : str, default None

​ 定界符，備選分隔符（如果指定該參數，則sep參數失效）

delim_whitespace : boolean, default False.

​ 指定空格(例如’ ‘或者’ ‘)是否作爲分隔符使用，等效於設定sep=’\s+’。如果這個參數設定爲Ture那麼delimiter 參數失效。

header : int or list of ints, default ‘infer’

​ 指定行數用來作爲列名，數據開始行數。如果文件中沒有列名，則默認爲0，否則設置爲None。如果明確設定header=0 就會替換掉原來存在列名。header參數可以是一個list例如：[0,1,3]，這個list表示將文件中的這些行作爲列標題（意味着每一列有多個標題），介於中間的行將被忽略掉（例如本例中的2；本例中的數據1,2,4行將被作爲多級標題出現，第3行數據將被丟棄，dataframe的數據從第5行開始。）。

​ 注意：如果skip_blank_lines=True 那麼header參數忽略註釋行和空行，所以header=0表示第一行數據而不是文件的第一行。

names : array-like, default None

​ 用於結果的列名列表，如果數據文件中沒有列標題行，就需要執行header=None。默認列表中不能出現重複，除非設定參數mangle_dupe_cols=True。

index_col : int or sequence or False, default None

​ 用作行索引的列編號或者列名，如果給定一個序列則有多個行索引。

​ 如果文件不規則，行尾有分隔符，則可以設定index_col=False 來是的pandas不適用第一列作爲行索引。

usecols : array-like, default None

​ 返回一個數據子集，該列表中的值必須可以對應到文件中的位置（數字可以對應到指定的列）或者是字符傳爲文件中的列名。例如：usecols有效參數可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用這個參數可以加快加載速度並降低內存消耗。

as_recarray : boolean, default False

​ 不贊成使用：該參數會在未來版本移除。請使用pd.read_csv(…).to_records()替代。返回一個Numpy的recarray來替代DataFrame。如果該參數設定爲True。將會優先squeeze參數使用。並且行索引將不再可用，索引列也將被忽略。

squeeze : boolean, default False

​ 如果文件值包含一列，則返回一個Series

prefix : str, default None

​ 在沒有列標題時，給列添加前綴。例如：添加‘X’ 成爲 X0, X1, …

mangle_dupe_cols : boolean, default True

​ 重複的列，將‘X’…’X’表示爲‘X.0’…’X.N’。如果設定爲false則會將所有重名列覆蓋。

dtype : Type name or dict of column -> type, default None

​ 每列數據的數據類型。例如 {‘a’: np.float64, ‘b’: np.int32}

engine : {‘c’, ‘python’}, optional

​ Parser engine to use. The C engine is faster while the python engine is currently more feature-complete。使用的分析引擎。可以選擇C或者是python。C引擎快但是Python引擎功能更加完備。

converters : dict, default None

​ 列轉換函數的字典。key可以是列名或者列的序號。

true_values : list, default None

​ Values to consider as True

false_values : list, default None

​ Values to consider as False

skipinitialspace : boolean, default False

​ 忽略分隔符後的空白（默認爲False，即不忽略）.

skiprows : list-like or integer, default None

​ 需要忽略的行數（從文件開始處算起），或需要跳過的行號列表（從0開始）。

skipfooter : int, default 0

​ 從文件尾部開始忽略。 (c引擎不支持)

skip_footer : int, default 0

​ 不推薦使用：建議使用skipfooter ，功能一樣。

nrows : int, default None

​ 需要讀取的行數（從文件頭開始算起）。

na_values : scalar, str, list-like, or dict, default None

​ 一組用於替換NA/NaN的值。如果傳參，需要制定特定列的空值。默認爲‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

keep_default_na : bool, default True

​ 如果指定na_values參數，並且keep_default_na=False，那麼默認的NaN將被覆蓋，否則添加。

na_filter : boolean, default True

​ 是否檢查丟失值（空字符串或者是空值）。對於大文件來說數據集中沒有空值，設定na_filter=False可以提升讀取速度。

verbose : boolean, default False

​ 是否打印各種解析器的輸出信息，例如：“非數值列中缺失值的數量”等。

skip_blank_lines : boolean, default True

​ 如果爲True，則跳過空行；否則記爲NaN。

parse_dates : boolean or list of ints or names or list of lists or dict, default False

• boolean. True -> 解析索引
• list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作爲獨立的日期列；
• list of lists. e.g. If [[1, 3]] -> 合併1,3列作爲一個日期列使用
• dict, e.g. {‘foo’ : [1, 3]} -> 將1,3列合併，並給合併後的列起名爲"foo"

infer_datetime_format : boolean, default False

​ 如果設定爲True並且parse_dates 可用，那麼pandas將嘗試轉換爲日期類型，如果可以轉換，轉換方法並解析。在某些情況下會快5~10倍。

keep_date_col : boolean, default False

​ 如果連接多列解析日期，則保持參與連接的列。默認爲False。

date_parser : function, default None

​ 用於解析日期的函數，默認使用dateutil.parser.parser來做轉換。Pandas嘗試使用三種不同的方式解析，如果遇到問題則使用下一種方式。

​ 1.使用一個或者多個arrays（由parse_dates指定）作爲參數；

​ 2.連接指定多列字符串作爲一個列作爲參數；

​ 3.每行調用一次date_parser函數來解析一個或者多個字符串（由parse_dates指定）作爲參數。

dayfirst : boolean, default False

​ DD/MM格式的日期類型

iterator : boolean, default False

​ 返回一個TextFileReader 對象，以便逐塊處理文件。

chunksize : int, default None

​ 文件塊的大小， See IO Tools docs for more informationon iterator and chunksize.

compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’

​ 直接使用磁盤上的壓縮文件。如果使用infer參數，則使用 gzip, bz2, zip或者解壓文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’這些爲後綴的文件，否則不解壓。如果使用zip，那麼ZIP包中國必須只包含一個文件。設置爲None則不解壓。新版本0.18.1版本支持zip和xz解壓

thousands : str, default None

​ 千分位分割符，如“，”或者“."

decimal : str, default ‘.’

​ 字符中的小數點 (例如：歐洲數據使用’，‘).

float_precision : string, default None

​ Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.

lineterminator : str (length 1), default None

​ 行分割符，只在C解析器下使用。

quotechar : str (length 1), optional

​ 引號，用作標識開始和解釋的字符，引號內的分割符將被忽略。

quoting : int or csv.QUOTE_* instance, default 0

​ 控制csv中的引號常量。可選 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

doublequote : boolean, default True

​ 雙引號，當單引號已經被定義，並且quoting 參數不是QUOTE_NONE的時候，使用雙引號表示引號內的元素作爲一個元素使用。

escapechar : str (length 1), default None

​ 當quoting 爲QUOTE_NONE時，指定一個字符使的不受分隔符限值。

comment : str, default None

​ 標識着多餘的行不被解析。如果該字符出現在行首，這一行將被全部忽略。這個參數只能是一個字符，空行（就像skip_blank_lines=True）註釋行被header和skiprows忽略一樣。例如如果指定comment=’#’ 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那麼返回結果將是以’a,b,c’作爲header。

encoding : str, default None

​ 指定字符集類型，通常指定爲’utf-8’. List of Python standard encodings

dialect : str or csv.Dialect instance, default None

​ 如果沒有指定特定的語言，如果sep大於一個字符則忽略。具體查看csv.Dialect 文檔

tupleize_cols : boolean, default False

​ Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)

error_bad_lines : boolean, default True

​ 如果一行包含太多的列，那麼默認不會返回DataFrame ，如果設置成false，那麼會將改行剔除（只能在C解析器下使用）。

warn_bad_lines : boolean, default True

​ 如果error_bad_lines =False，並且warn_bad_lines =True 那麼所有的“bad lines”將會被輸出（只能在C解析器下使用）。

low_memory : boolean, default True

​ 分塊加載到內存，再低內存消耗中解析。但是可能出現類型混淆。確保類型不被混淆需要設置爲False。或者使用dtype 參數指定類型。注意使用chunksize 或者iterator 參數分塊讀入會將整個文件讀入到一個Dataframe，而忽略類型（只能在C解析器中有效）

buffer_lines : int, default None

​ 不推薦使用，這個參數將會在未來版本移除，因爲他的值在解析器中不推薦使用

compact_ints : boolean, default False

​ 不推薦使用，這個參數將會在未來版本移除；如果設置compact_ints=True ，那麼任何有整數類型構成的列將被按照最小的整數類型存儲，是否有符號將取決於use_unsigned 參數

use_unsigned : boolean, default False

​ 不推薦使用：這個參數將會在未來版本移除

​ 如果整數列被壓縮(i.e. compact_ints=True)，指定被壓縮的列是有符號還是無符號的。

memory_map : boolean, default False

​ 如果使用的文件在內存內，那麼直接map文件使用。使用這種方式可以避免文件再次進行IO操作。

參考連接傳送門