數據預處理常用的處理步驟，包括找出異常值、處理缺失值、過濾不合適值、去掉重復行、分箱、分組、排名、category轉數值等，下面使用 pandas 解決這些最常見的預處理任務。

[[357540]]

找出異常值常用兩種方法：

• 標準差法：異常值平均值上下1.96個標準差區間以外的值
• 分位數法：小于 1/4分位數減去 1/4和3/4分位數差的1.5倍，大于3/4減去 1/4和3/4分位數差的1.5倍，都為異常值

技能1 ：標準差法

import pandas as pd 
 
df = pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]}) 
 
# 異常值平均值上下1.96個標準差區間以外的值 
meangrade = df['a'].mean() 
stdgrade = df['a'].std() 
toprange = meangrade + stdgrade * 1.96 
botrange = meangrade - stdgrade * 1.96 
 
# 過濾區間外的值 
copydf = df 
copydfcopydf = copydf.drop(copydf[copydf['a'] 
        > toprange].index) 
copydfcopydf = copydf.drop(copydf[copydf['a'] 
        < botrange].index) 
copydf 

技能2：分位數法

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：處理空值

np.nan 是 pandas 中常見空值，使用 dropna 過濾空值，axis 0 表示按照行，1 表示按列，how 默認為 any ，意思是只要有一個 nan 就過濾某行或某列，all 所有都為 nan

# axis 0 表示按照行，all 此行所有值都為 nan 
df.dropna(axis=0, how='all') 

技能4：充填空值

空值一般使用某個統計值填充，如平均數、眾數、中位數等，使用函數 fillna：

# 使用a列平均數填充列的空值，inplace true表示就地填充 
df["a"].fillna(df["a"].mean(), inplace=True) 

技能5：修復不合適值

假如某門課最高分100，如果出現 -2， 120 這樣的值，顯然不合理，使用布爾類型的Series對象修改數值：

df.loc[(df['a'] < -2,'a')] = 0 
df.loc[(df['a'] >= 100,'a')] = 100 

技能6：過濾重復值

過濾某列重復值，使用 drop_duplicated 方法，第一個參數為列名，keep關鍵字等于last：最后一次出現此值行：

df.drop_duplicates(['Names'], keep='last') 

技能7：apply 元素級：去掉特殊字符

某列單元格含有特殊字符，如標點符號，使用元素級操作方法 apply 干掉它們：

import string 
exclude = set(string.punctuation) 
 
def remove_punctuation(x): 
    x = ''.join(ch for ch in x if ch not in exclude) 
    return x 
# 原df 
Out[26]:  
      a       b 
0   c,d  edc.rc 
1     3       3 
2  d ef       4 
 
# 過濾a列標點 
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 數據分箱

將百分制分數轉為A,B,C,D四個等級，bins 被分為 [0,60,75,90,100]，labels 等于['D', 'C', 'B', 'A']：

# 生成20個[0,100]的隨機整數 
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，生成數值排名，ascending 為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列轉數值

某列取值只可能為有限個枚舉值，往往需要轉為數值，使用get_dummies，或自己定義函數：

pd.get_dummies(df['a']) 

自定義函數，結合 apply:

def c2n(x): 
    if x=='A': 
        return 95 
    if x=='B': 
        return 80 
 
df['a'].apply(c2n) 

以上結合數據預處理的十個小任務，分別找到對應pandas中的實現。