python資料清洗(缺失值與異常值處理)
阿新 • • 發佈:2019-02-12
1。 將本地sql檔案寫入mysql資料庫
本文寫入的是python資料庫的taob表
source [本地檔案]
其中總資料為9616行,列分別為title,link,price,comment
2。使用python連結並讀取資料
檢視資料概括
#-*- coding:utf-8 -*-
#author:M10
import numpy as np
import pandas as pd
import matplotlib.pylab as plt
import mysql.connector
conn = mysql.connector.connect(host='localhost' ,
user='root',
passwd='123456',
db='python')#連結本地資料庫
sql = 'select * from taob'#sql語句
data = pd.read_sql(sql,conn)#獲取資料
print(data.describe())
說明資料的匯入是正確的,簡單的分析發現問題並不是這麼簡單,因為comment均值562可能偏大,最大評論數454037也可能出現錯誤,price價格為0也不太可能出現。
price comment
count 9616.00000 9616.000000
mean 64.49324 562.239601
std 176.10901 6078.909643
min 0.00000 0.000000
25% 20.00000 16.000000
50% 36.00000 58.000000
75% 66.00000 205.000000
max 7940.00000 454037.000000
3。缺失值處理
將價格為0的值設定為中位數36
#-*- coding:utf-8 -*-
#author:M10
import numpy as np
import pandas as pd
import matplotlib.pylab as plt
import mysql.connector
conn = mysql.connector.connect(host='localhost',
user='root',
passwd='123456',
db='python')#連結本地資料庫
sql = 'select * from taob'#sql語句
data = pd.read_sql(sql,conn)#獲取資料
data['price'][data['price']==0]=None
x = 0
for i in data.columns:
for j in range(len(data)):
if (data[i].isnull()) [j]:
data[i][j]='36'
x+=1
print(x)
#44
結果顯示修改了44行的資料。
4。異常值處理
#-*- coding:utf-8 -*-
#author:M10
import numpy as np
import pandas as pd
import matplotlib.pylab as plt
import mysql.connector
conn = mysql.connector.connect(host='localhost',
user='root',
passwd='123456',
db='python')#連結本地資料庫
sql = 'select * from taob'#sql語句
data = pd.read_sql(sql,conn)#獲取資料
#缺失值處理
data['price'][data['price']==0]=None
x = 0
for i in data.columns:
for j in range(len(data)):
if (data[i].isnull()) [j]:
data[i][j]='36'
x+=1
print(x)
#異常值處理
#繪製散點圖,價格為橫軸
data1 = data.T#轉置
price = data1.values[2]
comment = data1.values[3]
plt.plot(price,comment,'o')
plt.show()
#print(price)
結果如下圖,價格為0左右時comment很大可能為異常值,comments為0時,價格極大這個有可能的。
接下來處理評論數異常值,假設異常值分割線設定為20w,
#-*- coding:utf-8 -*-
#author:M10
import numpy as np
import pandas as pd
import matplotlib.pylab as plt
import mysql.connector
conn = mysql.connector.connect(host='localhost',
user='root',
passwd='123456',
db='python')#連結本地資料庫
sql = 'select * from taob'#sql語句
data = pd.read_sql(sql,conn)#獲取資料
#缺失值處理
data['price'][data['price']==0]=None
x = 0
for i in data.columns:
for j in range(len(data)):
if (data[i].isnull()) [j]:
data[i][j]='36'
x+=1
print(x)
#異常值處理
da = data.values#重新賦值data
#異常值處理,將commments大於200000的資料comments設定為58
cont_clou = len(da)#獲取行數
#遍歷資料進行處理
for i in range(0,cont_clou):
if(data.values[i][3]>200000):
#print(data.values[i][3])
da[i][3]='58'
#print(da[i][3])
#繪製散點圖,價格為橫軸
data1 = da.T#轉置
price = data1[2]
comment = data1[3]
plt.plot(price,comment,'o')
plt.xlabel('price')
plt.ylabel('comments')
plt.show()
處理後的輸出結果為: