嚴(yán)把數(shù)據(jù)質(zhì)量關(guān),用Pandas輕松進(jìn)行七項(xiàng)基本數(shù)據(jù)檢查
一、簡(jiǎn)介
作為一名數(shù)據(jù)工程師,面對(duì)糟糕的數(shù)據(jù)質(zhì)量,該如何進(jìn)行必要的數(shù)據(jù)質(zhì)量檢查呢?可以使用Pandas執(zhí)行快捷的數(shù)據(jù)質(zhì)量檢查。
本文使用scikit-learn提供的California Housing數(shù)據(jù)集。
【數(shù)據(jù)集】:https://scikit-learn.org/stable/modules/generated/sklearn.datasets.fetch_california_housing.html
二、California Housing數(shù)據(jù)集概述
本文使用Scikit-learn數(shù)據(jù)集模塊中的California Housing數(shù)據(jù)集。該數(shù)據(jù)集包含20000多條記錄,涵蓋了八個(gè)數(shù)值特征和一個(gè)目標(biāo)房?jī)r(jià)中值。
【數(shù)據(jù)集模塊】:https://scikit-learn.org/stable/datasets/real_world.html#real-world-datasets
接下來(lái),將數(shù)據(jù)集讀取到一個(gè)名為df的Pandas數(shù)據(jù)幀中:
from sklearn.datasets import fetch_california_housing
import pandas as pd
# 獲取California Housing數(shù)據(jù)集
data = fetch_california_housing()
# 將數(shù)據(jù)集轉(zhuǎn)換為Pandas DataFrame
df = pd.DataFrame(data.data, columns=data.feature_names)
# 添加目標(biāo)列
df['MedHouseVal'] = data.target
要獲取數(shù)據(jù)集的詳細(xì)描述,運(yùn)行data.DESCR,如下所示:
print(data.DESCR)
圖片
data.DESCR的輸出結(jié)果
接下來(lái)了解一下數(shù)據(jù)集的基本信息:
df.info()
輸出結(jié)果如下:
Output >>>
RangeIndex: 20640 entries, 0 to 20639
Data columns (total 9 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 MedInc 20640 non-null float64
1 HouseAge 20640 non-null float64
2 AveRooms 20640 non-null float64
3 AveBedrms 20640 non-null float64
4 Population 20640 non-null float64
5 AveOccup 20640 non-null float64
6 Latitude 20640 non-null float64
7 Longitude 20640 non-null float64
8 MedHouseVal 20640 non-null float64
dtypes: float64(9)
memory usage: 1.4 MB
由于存在數(shù)值特征,因此也使用describe()方法獲取摘要統(tǒng)計(jì)信息:
df.describe()
圖片
df.describe()的輸出結(jié)果
三、7項(xiàng)基本數(shù)據(jù)質(zhì)量檢查
3.1 檢查缺失值
現(xiàn)實(shí)世界的數(shù)據(jù)集經(jīng)常存在缺失值。為了分析數(shù)據(jù)和建立模型,就需要處理這些缺失值。
為確保數(shù)據(jù)質(zhì)量,應(yīng)該檢查缺失值的比例是否在特定的容差范圍內(nèi)。然后,可以使用適當(dāng)?shù)奶畛洳呗詫?duì)缺失值進(jìn)行填充。
因此,第一步是檢查數(shù)據(jù)集中所有特征的缺失值。
以下代碼會(huì)檢查數(shù)據(jù)幀df中每一列的缺失值:
# 檢查數(shù)據(jù)幀中的缺失值
missing_values = df.isnull().sum()
print("Missing Values:")
print(missing_values)
結(jié)果是一個(gè)顯示每列缺失值計(jì)數(shù)的Pandas序列:
Output >>>
Missing Values:
MedInc 0
HouseAge 0
AveRooms 0
AveBedrms 0
Population 0
AveOccup 0
Latitude 0
Longitude 0
MedHouseVal 0
dtype: int64
如上所示,此數(shù)據(jù)集中沒(méi)有缺失值。
3.2 識(shí)別重復(fù)記錄
數(shù)據(jù)集中的重復(fù)記錄可能會(huì)影響分析結(jié)果。因此,應(yīng)該根據(jù)需要檢查并刪除重復(fù)記錄。
以下是識(shí)別并返回df中重復(fù)行的代碼。如果存在重復(fù)行,它們將包含在結(jié)果中:
# 檢查數(shù)據(jù)幀中是否有重復(fù)行
duplicate_rows = df[df.duplicated()]
print("Duplicate Rows:")
print(duplicate_rows)
結(jié)果是一個(gè)空數(shù)據(jù)幀。這意味著數(shù)據(jù)集中沒(méi)有重復(fù)記錄:
Output >>>
Duplicate Rows:
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []
3.3 檢查數(shù)據(jù)類型
在分析數(shù)據(jù)集時(shí),經(jīng)常需要轉(zhuǎn)換或縮放一個(gè)或多個(gè)特征。為了避免在執(zhí)行此類操作時(shí)出現(xiàn)意外錯(cuò)誤,重要的是檢查列是否都是預(yù)期的數(shù)據(jù)類型。
以下代碼檢查數(shù)據(jù)框df中每一列的數(shù)據(jù)類型:
# 檢查DataFrame中每一列的數(shù)據(jù)類型
data_types = df.dtypes
print("Data Types:")
print(data_types)
在這里,所有的數(shù)值特征都是預(yù)期的浮點(diǎn)數(shù)據(jù)類型:
Output >>>
Data Types:
MedInc float64
HouseAge float64
AveRooms float64
AveBedrms float64
Population float64
AveOccup float64
Latitude float64
Longitude float64
MedHouseVal float64
dtype: object
3.4 檢查異常值
異常值是指與數(shù)據(jù)集中其他點(diǎn)顯著不同的數(shù)據(jù)點(diǎn)。在“California Housing數(shù)據(jù)集概述”部分,本文對(duì)數(shù)據(jù)幀運(yùn)行了describe()方法。
根據(jù)四分位值和最大值,可以確定一些特征包含異常值。具體而言,這些特征有:
- MedInc
- AveRooms
- AveBedrms
- Population
處理異常值的一種方法是使用四分位數(shù)間距(interquartile range,IQR),即第75個(gè)四分位數(shù)和第25個(gè)四分位數(shù)之間的差值。如果Q1是第25個(gè)四分位數(shù),Q3是第75個(gè)四分位數(shù),那么四分位數(shù)間距的計(jì)算公式為Q3 - Q1。
然后使用四分位數(shù)和IQR來(lái)定義區(qū)間[Q1 - 1.5 * IQR, Q3 + 1.5 * IQR]。所有在此范圍之外的點(diǎn)都是異常值。
columns_to_check = ['MedInc', 'AveRooms', 'AveBedrms', 'Population']
# 查找?guī)в挟惓V档挠涗浀暮瘮?shù)
def find_outliers_pandas(data, column):
Q1 = data[column].quantile(0.25)
Q3 = data[column].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
outliers = data[(data[column] < lower_bound) | (data[column] > upper_bound)]
return outliers
# 對(duì)每個(gè)指定的列查找?guī)в挟惓V档挠涗?outliers_dict = {}
for column in columns_to-check:
outliers_dict[column] = find_outliers_pandas(df, column)
# 打印每列中帶有異常值的記錄
for column, outliers in outliers_dict.items():
print(f"Outliers in '{column}':")
print(outliers)
print("\n")
圖片
'AveRooms'列中的異常值 | 用于異常值檢查的截?cái)噍敵?/p>
3.5 驗(yàn)證數(shù)值范圍
對(duì)于數(shù)值特征,一項(xiàng)重要的檢查是驗(yàn)證范圍。這可以確保特征的所有觀測(cè)值都在預(yù)期范圍內(nèi)。
以下代碼將驗(yàn)證MedInc值是否在預(yù)期范圍內(nèi),并識(shí)別出不符合這一標(biāo)準(zhǔn)的數(shù)據(jù)點(diǎn):
# 檢查'MedInc'列的數(shù)值范圍
valid_range = (0, 16)
value_range_check = df[~df['MedInc'].between(*valid_range)]
print("Value Range Check (MedInc):")
print(value_range_check)
也可以嘗試選擇其他的數(shù)值特征。但可以看到,MedInc列中的所有數(shù)值都在預(yù)期范圍內(nèi):
Output >>>
Value Range Check (MedInc):
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []
3.6 檢查列間的依賴關(guān)系
大多數(shù)數(shù)據(jù)集都包含相關(guān)的特征。因此,根據(jù)列(或特征)之間的邏輯相關(guān)關(guān)系進(jìn)行檢查是很重要的。
雖然單個(gè)特征本身可能在預(yù)期范圍內(nèi)取值,但它們之間的關(guān)系可能是不一致的。
以下是本文數(shù)據(jù)集的一個(gè)示例。在一個(gè)有效的記錄中,“AveRooms”通常應(yīng)大于或等于“AveBedRms”。
# AveRooms不應(yīng)小于AveBedrooms
invalid_data = df[df['AveRooms'] < df['AveBedrms']]
print("Invalid Records (AveRooms < AveBedrms):")
print(invalid_data)
在正在處理的California housing數(shù)據(jù)集中,沒(méi)有發(fā)現(xiàn)這樣的無(wú)效記錄:
Output >>>
Invalid Records (AveRooms < AveBedrms):
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []
3.7 檢查不一致的數(shù)據(jù)輸入
在大多數(shù)數(shù)據(jù)集中,不一致的數(shù)據(jù)輸入是一個(gè)常見的數(shù)據(jù)質(zhì)量問(wèn)題。例如:
- 日期時(shí)間列中的格式不一致
- 分類變量值的記錄不一致
- 以不同單位記錄讀數(shù)
在本文的數(shù)據(jù)集中,已經(jīng)驗(yàn)證了列的數(shù)據(jù)類型并識(shí)別了異常值。但還可以嘗試檢查數(shù)據(jù)輸入是否一致。
接下來(lái)舉一個(gè)簡(jiǎn)單的例子,檢查所有的日期輸入是否具有一致的格式。
在這里,本文使用正則表達(dá)式結(jié)合Pandas的apply()函數(shù)來(lái)檢查所有日期輸入是否符合YYYY-MM-DD的格式:
import pandas as pd
import re
data = {'Date': ['2023-10-29', '2023-11-15', '23-10-2023', '2023/10/29', '2023-10-30']}
df = pd.DataFrame(data)
# 定義預(yù)期的日期格式
date_format_pattern = r'^\d{4}-\d{2}-\d{2}$' # YYYY-MM-DD format
# 檢查日期值是否符合預(yù)期格式的函數(shù)
def check_date_format(date_str, date_format_pattern):
return re.match(date_format_pattern, date_str) is not None
# 對(duì)'Date'列應(yīng)用格式檢查
date_format_check = df['Date'].apply(lambda x: check_date_format(x, date_format_pattern))
# 識(shí)別并檢索不符合預(yù)期格式的日期記錄
non_adherent_dates = df[~date_format_check]
if not non_adherent_dates.empty:
print("Entries that do not follow the expected format:")
print(non_adherent_dates)
else:
print("All dates are in the expected format.")
這將返回不符合預(yù)期格式的日期記錄:
Output >>>
Entries that do not follow the expected format:
Date
2 23-10-2023
3 2023/10/29
四、總結(jié)
本文介紹了使用Pandas進(jìn)行常見數(shù)據(jù)質(zhì)量檢查的方法。
當(dāng)在處理較小的數(shù)據(jù)分析項(xiàng)目時(shí),使用Pandas進(jìn)行這些數(shù)據(jù)質(zhì)量檢查是一個(gè)很好的起點(diǎn)。根據(jù)問(wèn)題和數(shù)據(jù)集的不同,還可以加入其他檢查。