数据预处理常用的处理步骤，包括找出异常值、处理缺失值、过滤不合适值、去掉重复行、分箱、分组、排名、category转数值等，下面使用 pandas 解决这些最常见的预处理任务。
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
import pandas as pd df = pd.Dataframe({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]}) # 异常值平均值上下1.96个标准差区间以外的值 meangrade = df['a'].mean() stdgrade = df['a'].std() toprange = meangrade + stdgrade * 1.96 botrange = meangrade - stdgrade * 1.96 # 过滤区间外的值 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a'] > toprange].index) copydfcopydf = copydf.drop(copydf[copydf['a'] < botrange].index) copydf
技能2：分位数法
q1 = df['a'].quantile(.25) q3 = df['a'].quantile(.75) iqr = q3-q1 toprange = q3 + iqr * 1.5 botrange = q1 - iqr * 1.5 copydf = df copydfcopydf = copydf.drop(copydf[copydf['a'] > toprange].index) copydfcopydf = copydf.drop(copydf[copydf['a'] < botrange].index) 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
# axis 0 表示按照行，all 此行所有值都为 nan 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：
# 使用a列平均数填充列的空值，inplace true表示就地填充 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：
df.loc[(df['a'] < -2,'a')] = 0 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：
df.drop_duplicates(['Names'], keep='last')
技能7：apply 元素级：去掉特殊字符
某列单元格含有特殊字符，如标点符号，使用元素级操作方法 apply 干掉它们：
import string exclude = set(string.punctuation) def remove_punctuation(x): x = ''.join(ch for ch in x if ch not in exclude) return x # ԭdf Out[26]: a b 0 c,d edc.rc 1 3 3 2 d ef 4 # 过滤a列标点 In [27]: dfdf.a = df.a.apply(remove_punctuation) In [28]: df Out[28]: a b 0 cd edc.rc 1 3 3 2 d ef 4
技能8：cut 数据分箱
将百分制分数转为A,B,C,D四个等级，bins 被分为 [0,60,75,90,100]，labels 等于['D', 'C', 'B', 'A']：
# 生成20个[0,100]的随机整数 In [30]: a = np.random.randint(1,100,20) In [31]: a Out[31]: array([48, 22, 46, 84, 13, 52, 36, 35, 27, 99, 31, 37, 15, 31, 5, 46, 98,99, 60, 43]) # cut分箱 In [33]: pd.cut(a, [0,60,75,90,100], labels = ['D', 'C', 'B', 'A']) Out[33]: [D, D, D, B, D, ..., D, A, A, D, D] Length: 20 Categories (4, object): [D < C < B < A]
技能9：rank 排名
rank 方法，生成数值排名，ascending 为False，分值越大，排名越靠前：
In [36]: df = pd.Dataframe({'a':[46, 98,99, 60, 43]} )) In [53]: df['a'].rank(ascending=False) Out[53]: 0 4.0 1 2.0 2 1.0 3 3.0 4 5.0
技能10：category列转数值
某列取值只可能为有限个枚举值，往往需要转为数值，使用get_dummies，或自己定义函数：
pd.get_dummies(df['a'])
自定义函数，结合 apply:
def c2n(x): if x=='A': return 95 if x=='B': return 80 df['a'].apply(c2n)
以上结合数据预处理的十个小任务，分别找到对应pandas中的实现。
