Beschränkungen bei der Eindeutigkeit

Datenbereinigung in Python

Adel Nehme

VP of AI Curriculum, DataCamp

Was sind doppelte Werte?

Alle Spalten haben die gleichen Werte.

Vorname	Nachname	Adresse	Größe	Gewicht
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Brüssel	193 cm	87 kg
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Brüssel	193 cm	87 kg

Was sind doppelte Werte?

Die meisten Spalten haben die gleichen Werte.

Vorname	Nachname	Adresse	Größe	Gewicht
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Brüssel	193 cm	87 kg
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Brüssel	194 cm	87 kg

Weshalb passiert das?

duplicate_1

Weshalb passiert das?

duplicate_2

Weshalb passiert das?

duplicate_3

Wie findet man doppelte Werte?

# Print the header
height_weight.head()

  first_name last_name                       address  height  weight
0       Lane     Reese              534-1559 Nam St.     181      64
1       Ivor    Pierce             102-3364 Non Road     168      66
2      Roary    Gibson   P.O. Box 344, 7785 Nisi Ave     191      99
3    Shannon    Little  691-2550 Consectetuer Street     185      65
4      Abdul       Fry                4565 Risus St.     169      65

Wie findet man doppelte Werte?

# Get duplicates across all columns
duplicates = height_weight.duplicated()
print(duplicates)

1       False
...     ....
22      True
23      False
...     ...

Wie findet man doppelte Werte?

# Get duplicate rows
duplicates = height_weight.duplicated()
height_weight[duplicates]

    first_name last_name                               address  height  weight
100       Mary     Colon                           4674 Ut Rd.     179      75
101       Ivor    Pierce                     102-3364 Non Road     168      88
102       Cole    Palmer                       8366 At, Street     178      91
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83

Wie findet man doppelte Zeilen?

Die Methode .duplicated()

subset: Liste der Spaltennamen, die auf Duplikate überprüft werden sollen.

keep: Soll man die ersten ('first'), die letzten ('last') oder alle (False) doppelten Werte behalten?

# Column names to check for duplication
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)

Wie findet man doppelte Zeilen?

# Output duplicate values
height_weight[duplicates]

    first_name last_name                               address  height  weight
1         Ivor    Pierce                     102-3364 Non Road     168      66
22        Cole    Palmer                       8366 At, Street     178      91
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
37        Mary     Colon                           4674 Ut Rd.     179      75
100       Mary     Colon                           4674 Ut Rd.     179      75
101       Ivor    Pierce                     102-3364 Non Road     168      88
102       Cole    Palmer                       8366 At, Street     178      91
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83

Wie findet man doppelte Zeilen?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

    first_name last_name                               address  height  weight
22        Cole    Palmer                       8366 At, Street     178      91
102       Cole    Palmer                       8366 At, Street     178      91
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
1         Ivor    Pierce                     102-3364 Non Road     168      66
101       Ivor    Pierce                     102-3364 Non Road     168      88
37        Mary     Colon                           4674 Ut Rd.     179      75
100       Mary     Colon                           4674 Ut Rd.     179      75

Wie findet man doppelte Zeilen?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

Wie findet man doppelte Zeilen?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

Wie geht man mit doppelten Werten um?

# Output duplicate values
height_weight[duplicates].sort_values(by = 'first_name')

Wie geht man mit doppelten Werten um?

Die Methode .drop_duplicates()

subset: Liste der Spaltennamen, die auf Duplikate überprüft werden sollen.

keep: Soll man die ersten ('first'), die letzten ('last') oder alle (False) doppelten Werte behalten?

inplace: Duplizierte Zeilen direkt im DataFrame löschen, ohne ein neues Objekt zu erstellen (True).

# Drop duplicates
height_weight.drop_duplicates(inplace = True)

Wie geht man mit doppelten Werten um?

# Output duplicate values
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

    first_name last_name                               address  height  weight
28     Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     195      83
103    Desirae   Shannon  P.O. Box 643, 5251 Consectetuer, Rd.     196      83
1         Ivor    Pierce                     102-3364 Non Road     168      66
101       Ivor    Pierce                     102-3364 Non Road     168      88

Wie geht man mit doppelten Werten um?

# Output duplicate values
column_names = ['first_name','last_name','address']
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

Wie geht man mit doppelten Werten um?

Die Methoden .groupby() und .agg()

# Group by column names and produce statistical summaries
column_names = ['first_name','last_name','address']
summaries = {'height': 'max', 'weight': 'mean'}
height_weight = height_weight.groupby(by = column_names).agg(summaries).reset_index()

# Make sure aggregation is done
duplicates = height_weight.duplicated(subset = column_names, keep = False)
height_weight[duplicates].sort_values(by = 'first_name')

first_name    last_name    address    height    weight

Lass uns üben!

Datenbereinigung in Python