深入解说冗余数据定义 数据冗余是什么意思


深入解说冗余数据定义 数据冗余是什么意思

文章插图
数据类型的判断和转换如下表所示,为某公司用户的个人信息和交易数据,涉及的字段为用户id、性别、年龄、受教育水平、交易金额和交易日期 。从表面上看,似乎没有看出数据背后可能存在的问题,那接下来就将其读入到Python中,并通过探索的方式发现数据中的问题 。
深入解说冗余数据定义 数据冗余是什么意思

文章插图
读取数据,以及查看数据规模、查看数据中各变量的数据类型的代码如下:
# 导入第三方包import pandas as pd# 读入外部数据data3 = pd.read_excel(io=r'C:\Users\Administrator\Desktop\datas\data3.xlsx')# 查看数据的规模data3.shapeout:(3000, 6)# 查看表中各变量的数据类型# data3.dtypesout:表中各变量的数据类型如表下表所示:
深入解说冗余数据定义 数据冗余是什么意思

文章插图
上述代码利用shape“方法”返回了数据集的规模,即该数据包含3000行6列;通过dtypes“方法”则返回了数据集中各变量的数据类型——除id变量和age变量为数值型,其余变量均为字符型 。直观上能够感受到一点问题,即数据类型不对,例如用户id应该为字符型,消费金额custom_amt为数值型,订单日期为日期型 。如果发现数据类型不对,如何借助于Python工具实现数据类型的转换呢?可参照如下代码的实现 。
# 数值型转字符型data3['id'] = data3['id'].astype(str)# 字符型转数值型data3['custom_amt'] = data3['custom_amt'].str[1:].astype(float)# 字符型转日期型data3['order_date'] = pd.to_datetime(data3['order_date'], format = '%Y年%m月%d日')# 重新查看数据集的各变量类型data3.dtypesout:这些数据经过处理后,各个字段的数据类型如下表所示:
深入解说冗余数据定义 数据冗余是什么意思

文章插图
如上结果所示,三个变量全都转换成了各自所期望的数据类型 。astype“方法”用于数据类型的强制转换,可选择的常用转换类型包括str(表示字符型)、float(表示浮点型)和int(表示整型) 。由于消费金额custom_amt变量中的值包含人民币符号“¥”,所以在数据类型转换之前必须将其删除(通过字符串的切片方法删除,[1:]表示从字符串的第二个元素开始截断) 。对于字符转日期问题,推荐使用更加灵活的to_datetime函数,因为它在format参数的调节下,可以识别任意格式的字符型日期值 。
需要注意的是,Python中的函数有两种表现形式,一种是常规理解下的函数(语法为func(parameters),如to_datetime函数),另一种则是“方法”(语法为obj.func(parameters),如dtypes和astype“方法”) 。两者的区别在于 “方法”是针对特定对象的函数(即该“方法”只能用在某个固定类型的对象上),而函数并没有这方面的限制 。
基于如上类型的转换结果,最后浏览一下数据的展现形式:
# 预览数据的前5行data3.head()
深入解说冗余数据定义 数据冗余是什么意思

文章插图
冗余数据的判断和处理如上过程是对数据中各变量类型的判断和转换,除此还需要监控表中是否存在“脏”数据,如冗余的重复观测和缺失值等 。可以通过duplicated“方法”进行 “脏”数据的识别和处理 。仍然对上边的data3数据为例进行操作,具体代码如下所示 。
# 判断数据中是否存在重复观测data3.duplicated().any()out:False如上结果返回的是False,说明该数据集中并不存在重复观测 。假如读者利用如上的代码在数据集中发现了重复观测,可以使用drop_duplicates“方法”将冗余信息删除 。
需要说明的是,在使用duplicated“方法”对数据行作重复性判断时,会返回一个与原数据行数相同的序列(如果数据行没有重复,则对应False,否则对应True),为了得到最终的判断结果,需要再使用any“方法”(即序列中只要存在一个True,则返回True) 。
duplicated“方法”和drop_duplicates“方法”都有一个非常重要的参数,就是subset 。默认情况下不设置该参数时,表示对数据的所有列进行重复性判断;如果需要按指定的变量做数据的重复性判断时,就可以使用该参数指定具体的变量列表 。举例如下:
# 构造数据df = pd.DataFrame(dict(name = ['张三','李四','王二','张三','赵五','丁一','王二'], gender = ['男','男','女','男','女','女','男'], age = [29,25,27,29,21,22,27], income = [15600,14000,18500,15600,10500,18000,13000], edu = ['本科','本科','硕士','本科','大专','本科','硕士']))# 查看数据df
深入解说冗余数据定义 数据冗余是什么意思

文章插图
目测有两条数据完全一样,就是用户张三,如果直接使用drop_duplicates“方法”,而不做任何参数的修改时,将会删除第二次出现的用户张三 。代码如下:
【深入解说冗余数据定义 数据冗余是什么意思】# 默认情况下,对数据的所有变量进行判断df.drop_duplicates()
深入解说冗余数据定义 数据冗余是什么意思

文章插图
假设在数据清洗中,用户的姓名和年龄相同就认为是重复数据,那么该如何基于这两个变量进行重复值的删除呢?此时就需要使用subset参数了,代码如下:
df.drop_duplicates(subset=['name','age'])
深入解说冗余数据定义 数据冗余是什么意思

文章插图
需要注意的是,使用drop_duplicates“方法”删除重复数据,并不能直接影响到原始数据,即原始数据中还是存在重复观测的 。如需使drop_duplicates“方法”的删除功能作用在原始数据中,必须将inplace参数设置为True 。