Einschränkungen des Datenbereichs

Datenbereinigung in Python

Adel Nehme

VP of AI Curriculum, DataCamp

Motivation

movies.head()

     movie_name     avg_rating
0    The Godfather           5
1    Frozen 2                3
2    Shrek                   4
...

Motivation

import matplotlib.pyplot as plt
plt.hist(movies['avg_rating'])
plt.title('Average rating of movies (1-5)')

heart_rate_normal

Motivation

Können zukünftige Anmeldungen existieren?

# Import date time
import datetime as dt
today_date = dt.date.today()
user_signups[user_signups['subscription_date'] > dt.date.today()]

   subscription_date  user_name         ...             Country
0         01/05/2021      Marah         ...             Nauru
1         09/08/2020     Joshua         ...             Austria
2         04/01/2020      Heidi         ...             Guinea
3         11/10/2020       Rina         ...             Turkmenistan
4         11/07/2020  Christine         ...             Marshall Islands
5         07/07/2020     Ayanna         ...             Gabon

Wie geht man mit Daten um, die außerhalb des gültigen Bereichs liegen?

Daten löschen
Benutzerdefinierte Mindest- und Höchstwerte festlegen
Als fehlend behandeln und ableiten
Festlegen von benutzerdefinierten Werten basierend auf Geschäftsannahmen

Filmbeispiel

import pandas as pd
# Output Movies with rating > 5
movies[movies['avg_rating'] > 5]

         movie_name  avg_rating
23  A Beautiful Mind           6
65   La Vita e Bella           6
77            Amelie           6

# Drop values using filtering
movies = movies[movies['avg_rating'] <= 5]

# Drop values using .drop()
movies.drop(movies[movies['avg_rating'] > 5].index, inplace = True)

# Assert results
assert movies['avg_rating'].max() <= 5

Filmbeispiel

# Convert avg_rating > 5 to 5
movies.loc[movies['avg_rating'] > 5, 'avg_rating'] = 5

# Assert statement
assert movies['avg_rating'].max() <= 5

Denk daran: Keine Ausgabe heißt, dass es geklappt hat.

Beispiel für einen Datumsbereich

import datetime as dt
import pandas as pd
# Output data types
user_signups.dtypes

subscription_date    object
user_name            object
Country              object
dtype: object

# Convert to date
user_signups['subscription_date'] = pd.to_datetime(user_signups['subscription_date']).dt.date

Beispiel für einen Datumsbereich

today_date = dt.date.today()

Die Daten löschen

# Drop values using filtering
user_signups = user_signups[user_signups['subscription_date'] < today_date]

# Drop values using .drop()
user_signups.drop(user_signups[user_signups['subscription_date'] > today_date].index, inplace = True)

Feste Daten mit Obergrenze

# Drop values using filtering
user_signups.loc[user_signups['subscription_date'] > today_date, 'subscription_date'] = today_date
# Assert is true
assert user_signups.subscription_date.max().date() <= today_date

Lass uns üben!

Datenbereinigung in Python