数据清洗之数据转换

 

1.日期格式数据处理

In [ ]:

import numpy as np
import pandas as pd

In [ ]:

import os
os.chdir(r'F:\CSDN\课程内容\代码和数据')

In [ ]:

df = pd.read_csv('baby_trade_history.csv', encoding='utf-8',dtype={'user_id':str})

In [ ]:

df.head(10)

In [ ]:

# 对购买日期进行转换，将文本格式转化为日期格式
df['buy_date'] = pd.to_datetime(df['day'],format='%Y%m%d',errors = 'coerce')#加errors防止报错
df.info

In [ ]:

df.dtypes

In [ ]:

# da ta time64格式的数据可以提取对应年月日,必须为timestamp才可以，具体的时间点
df['buy_date'].dt.year

 

  • 时间差

In [ ]:

# 对时间进行计算
df['diff_day'] =  pd.datetime.now() - df2['birthday']

In [ ]:

df['diff_day'].head(5)

In [ ]:

# 时间差由天数，小时和毫秒构成

In [ ]:

# timedelta可以理解为时间差类型（当且仅当数据类型是datatime64或timedelta64）
df['diff_day'].dt.days# 提取天数

In [ ]:

df['diff_day'].dt.seconds# 提取秒数

In [ ]:

df['diff_day'].dt.microseconds# 提取毫秒数

In [ ]:

# 可以使用pd.Timedelta进行转换
df['时间差'] = df['diff_day']/pd.Timedelta('1 D') #转换为天数

In [ ]:

df['时间差'] = df['diff_day']/pd.Timedelta('1 M') #转换为分钟

In [ ]:

df['时间差'].head(5)

In [ ]:

df['时间差'].round(decimals=3)# 科学计数转化为显示为3小数

In [ ]:转化

df['diff_day'].astype('timedelta64[D]')# 这种方式也可以，M  代表月份数,D代表天数,Y代表年份

 

2. 字符串数据处理

 

  • 摩托车的销售情况

 

  • Condition：摩托车新旧情况（new：新的 和used：使用过的）
  • Condition_Desc：对当前状况的描述
  • Price：价格
  • Location：发获地址
  • Model_Year：购买年份
  • Mileage：里程
  • Exterior_Color：车的颜色
  • Make：制造商（牌子）
  • Warranty：保修
  • Model：类型
  • Sub_Model：车辆类型
  • Type：种类
  • Vehicle_Title：车辆主题
  • OBO：车辆仪表盘
  • Watch_Count：表数

In [ ]:

df1 = pd.read_csv('MotorcycleData.csv',encoding='gbk')#摩托车信息

In [ ]:

df1.head(5)

In [ ]:取price这个字符串里面的前1～4个字符

df1['Price'].str[0:4]# 字符串切片

 

  • 将价格转换为float

In [ ]:

df1['Price'].astype(float)

In [ ]:

# 之间转换直接报错，需要进行字符串处理
去除某些符号
df1['价格']  = df1['Price'].str.strip('$')#字符串相关方法

In [ ]:替换某些符号

df1['价格'] = df1['价格'].str.replace(',','')

In [ ]:

df1['价格'] = df1['价格'].astype(float)#  转换为float数据

In [ ]:

df1.Model.head(5)

In [ ]:

df1['Location'].str.split(',') # 使用字符串分割,用于对文本的处理，将这个字符串按照指定的符号分割，返回一个list

In [ ]:

df1['Mileage'].str.len() #计算字符串长度，获取当前标签的每个数据的长度

 

3. 高阶函数数据处理

In [ ]:

df2 = pd.read_csv('sam_tianchi_mum_baby.csv',encoding = 'utf-8',dtype =str)#婴儿信息

In [ ]:

def f(x):
    if '0' in x:
        return '女'
    elif '1' in x :
        return '男'
    else:
        return '未知'

In [ ]:

# 0代表女，1代表男，2代表未知
df2['性别'] = df2['gender'].apply(f)

In [ ]:

df2.head(4)
df2[df2['gender']=='2']#选择2这个性别的所有数据

In [ ]:

#使用map函数映射
df2['性别'] = df2['gender'].map({'0':'女','1':'男','2':'未知'})
df2['性别'] = df2['gender'].map(f)

In [ ]:

df2['user_id'].apply(lambda x: x.replace(x[1:3],'**')) #结合lambda替换,这里隐藏了第2、3两个位置的userid的值，由此可以运用到电话、密码或者身份证这些上面

In [ ]:

df2['birthday'].apply(lambda x: str(x)[0:4]) #提取标签为birthday的字符串里面的1～4的部分，即年份

In [ ]:

 

风雨兼程，前程可待！