Integridad

Limpieza de datos en Python

Adel Nehme

VP of AI Curriculum, DataCamp

¿Qué son los datos faltantes?

Se puede representar como NA, nan, 0, ....

Error técnico

Error humano**

Ejemplo de calidad del aire

import pandas as pd
airquality = pd.read_csv('airquality.csv')
print(airquality)

            Date  Temperature  CO2
987   20/04/2004         16.8  0.0
2119  07/06/2004         18.7  0.8
2451  20/06/2004        -40.0  NaN
1984  01/06/2004         19.6  1.8
8299  19/02/2005         11.2  1.2
...      ...             ...   ...

Ejemplo de calidad del aire

import pandas as pd
airquality = pd.read_csv('airquality.csv')
print(airquality)

            Date  Temperature  CO2
987   20/04/2004         16.8  0.0
2119  07/06/2004         18.7  0.8
2451  20/06/2004        -40.0  NaN   <--
1984  01/06/2004         19.6  1.8
8299  19/02/2005         11.2  1.2
...      ...             ...   ...

Ejemplo de calidad del aire

# Return missing values
airquality.isna()

       Date  Temperature    CO2
987   False        False  False
2119  False        False  False
2451  False        False   True
1984  False        False  False
8299  False        False  False

Ejemplo de calidad del aire

# Get summary of missingness
airquality.isna().sum()

Date             0
Temperature      0
CO2            366
dtype: int64

Missingno

Paquete útil para visualizar y comprender los datos faltantes.

import missingno as msno
import matplotlib.pyplot as plt

# Visualize missingness
msno.matrix(airquality)
plt.show()

Ejemplo de calidad del aire

# Isolate missing and complete values aside
missing = airquality[airquality['CO2'].isna()]
complete = airquality[~airquality['CO2'].isna()]

Ejemplo de calidad del aire

# Describe complete DataFramee
complete.describe()

       Temperature          CO2
count  8991.000000  8991.000000
mean     18.317829     1.739584
std       8.832116     1.537580
min      -1.900000     0.000000
...      ...        ...
max      44.600000    11.900000

# Describe missing DataFramee
missing.describe()

       Temperature  CO2
count   366.000000  0.0
mean    -39.655738  NaN
std       5.988716  NaN
min     -49.000000  NaN
...      ...        ...
max     -30.000000  NaN

Ejemplo de calidad del aire

# Describe complete DataFramee
complete.describe()

       Temperature          CO2
count  8991.000000  8991.000000
mean     18.317829     1.739584
std       8.832116     1.537580
min      -1.900000     0.000000
...      ...        ...
max      44.600000    11.900000

# Describe missing DataFramee
missing.describe()

       Temperature  CO2
count   366.000000  0.0
mean    -39.655738  NaN   <--
std       5.988716  NaN
min     -49.000000  NaN   <--
...      ...        ...
max     -30.000000  NaN   <--

sorted_airquality = airquality.sort_values(by = 'Temperature')
msno.matrix(sorted_airquality)
plt.show()

sorted_airquality = airquality.sort_values(by = 'Temperature')
msno.matrix(sorted_airquality)
plt.show()

Tipos de datos faltantes

¿Cómo lidiar con los datos faltantes?

Enfoques sencillos:

Eliminar datos faltantes
Imputar con medidas estadísticas (media, mediana, moda...)

Enfoques más complejos:

Imputación mediante un enfoque algorítmico
Imputar con modelos de machine learning

Tratar los datos que faltan

airquality.head()

         Date  Temperature  CO2
0  05/03/2005          8.5  2.5
1  23/08/2004         21.8  0.0
2  18/02/2005          6.3  1.0
3  08/02/2005        -31.0  NaN
4  13/03/2005         19.9  0.1

Eliminar valores perdidos

# Drop missing values
airquality_dropped = airquality.dropna(subset = ['CO2'])
airquality_dropped.head()

         Date  Temperature  CO2
0  05/03/2005          8.5  2.5
1  23/08/2004         21.8  0.0
2  18/02/2005          6.3  1.0
4  13/03/2005         19.9  0.1
5  02/04/2005         17.0  0.8

Sustitución por medidas estadísticas

co2_mean = airquality['CO2'].mean()
airquality_imputed = airquality.fillna({'CO2': co2_mean})
airquality_imputed.head()

          Date  Temperature       CO2
0  05/03/2005          8.5  2.500000
1  23/08/2004         21.8  0.000000
2  18/02/2005          6.3  1.000000
3  08/02/2005        -31.0  1.739584
4  13/03/2005         19.9  0.100000

¡Vamos a practicar!

Limpieza de datos en Python