• 大数据分析实践 | pandas数据质量分析


    📚数据质量评估的五个维度

    在这里插入图片描述

    • Coherent: without semantic errors or contradictory data between attributes of an object
    • Correct: the extent to which data correctly portrays reality
    • Completeness: without missing (null) values in table fields
    • Currency: the degree to which data is up-to-date
    • Consistency: consistent data values for an entity between different tables

    在这里插入图片描述

    📚口袋妖怪数据质量分析

    🐇导入库和数据

    import pandas as pd
    import matplotlib.pyplot as plt
    import warnings
    warnings.filterwarnings('ignore')   #忽略警告
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
    plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
    url = r'./data/Pokemon.csv'
    data = pd.DataFrame(pd.read_csv(url))  #打开文件,读取数据
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    🐇检查数据

    # 输出前五行数据
    print('前五行数据:')
    print(data.head(5))
    
    • 1
    • 2
    • 3

    在这里插入图片描述


    # 输出最后三行数据
    print('后三行数据')
    print(data.tail(3))
    
    • 1
    • 2
    • 3

    在这里插入图片描述

    • 删除后两行 :data = data.iloc[:-2]

    # 查看列名
    print('列名:',data.columns)
    
    • 1
    • 2

    在这里插入图片描述

    # 查看行数与列数
    print('行数与列数:',data.shape)
    
    • 1
    • 2

    在这里插入图片描述

    # 展示index,datatype和memory相关信息
    print(data.info())
    
    • 1
    • 2

    在这里插入图片描述

    🐇缺失值分析

    raw, column = data.shape  
    if None:
        num = data[col].isnull().sum().sort_values()
    else:
        num = data.isnull().sum().sort_values() 
    print(None, r'缺失数')
    print(num)  
    print(None, r'缺失比例')
    print(num/raw)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    在这里插入图片描述
    在这里插入图片描述

    • 将所有缺失值填充为“null”:data = data.fillna("null")

    🐇重复值检测

    主要针对#

    # 检查 'id' 列是否有重复值
    duplicate_ids = data.duplicated('#')
    # 获取所有具有重复 id 的行
    duplicate_rows = data[duplicate_ids]
    # 打印具有重复 id 的行
    print("具有重复 id 的行:")
    print(duplicate_rows)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    在这里插入图片描述

    • 对于 # 重复的妖怪只保留第一条记录:data = data.drop_duplicates(['#'],keep='first')

    🐇异常值检测

    • 离群值
      data['Attack'] = data['Attack'].astype(float)
      data['Defense'] = data['Defense'].astype(float)
      data['Sp. Atk'] = data['Sp. Atk'].astype(float)
      data['Sp. Def'] = data['Sp. Def'].astype(float)
      data['Speed'] = data['Speed'].astype(float)
      data.boxplot(column=['Attack','Defense','Sp. Atk','Sp. Def','Speed'])
      plt.show()
      
      • 1
      • 2
      • 3
      • 4
      • 5
      • 6
      • 7
      在这里插入图片描述

    • 检查 Generation是否存在非数字值

      non_numeric_generation = pd.to_numeric(data['Generation'], errors='coerce').isna()
      print(data[non_numeric_generation])
      
      • 1
      • 2

      在这里插入图片描述

      • data = data[~non_numeric_generation]

    • 检查 Legendary列除了TRUE和FALSE之外的值

      filtered_data = data[~data['Legendary'].isin(['TRUE', 'FALSE'])]
      print(filtered_data)
      
      • 1
      • 2

      在这里插入图片描述

      • data = data.drop(filtered_data.index)
  • 相关阅读:
    suanfa2==选择排序
    Linux磁盘分配 把home的空间扩容给root
    西门子PLC与三菱PLC的区别
    【Oracle】Oracle系列之二--Oracle数据字典
    数据要素安全流通:挑战与解决方案
    CUDA入门系列课程,从最基础着手
    经典算法——顺序查找
    2. 一步步搭建多层神经网络及应用
    适用于 Linux 的 WPF:Avalonia
    【TVM源码学习笔记】3.1.2. Codegen低级化relay ir前的内存分配
  • 原文地址:https://blog.csdn.net/m0_63398413/article/details/133937539