Uniformité

Nettoyage des données en Python

Adel Nehme

VP of AI Curriculum, DataCamp

Dans ce chapitre

Chapitre 3 - Problèmes avancés liés aux données

Contraintes relatives à la plage de données

range_examples

Uniformité

Colonne	Unité
Température	`32°C` équivaut à `89.6°F`
Poids	`70 Kg` équivaut à `11 st.`
Date	`26-11-2019` équivaut à `26, November, 2019`
Argent	`100$` équivaut à `10763.90¥`

Un exemple

temperatures = pd.read_csv('temperature.csv')
temperatures.head()

       Date  Temperature
0  03.03.19         14.0
1  04.03.19         15.0
2  05.03.19         18.0
3  06.03.19         16.0
4  07.03.19         62.6

Un exemple

temperatures = pd.read_csv('temperature.csv')
temperatures.head()

       Date  Temperature
0  03.03.19         14.0
1  04.03.19         15.0
2  05.03.19         18.0
3  06.03.19         16.0
4  07.03.19         62.6   <--

Un exemple

# Import matplotlib
import matplotlib.pyplot as plt

# Create scatter plot
plt.scatter(x = 'Date', y = 'Temperature', data = temperatures)

# Create title, xlabel and ylabel
plt.title('Temperature in Celsius March 2019 - NYC')
plt.xlabel('Dates')
plt.ylabel('Temperature in Celsius')

# Show plot
plt.show()

Traitement des données de température

$$C = (F - 32) \times \frac{5}{9}$$

temp_fah = temperatures.loc[temperatures['Temperature'] > 40, 'Temperature']

temp_cels = (temp_fah - 32) * (5/9)

temperatures.loc[temperatures['Temperature'] > 40, 'Temperature'] = temp_cels

# Assert conversion is correct
assert temperatures['Temperature'].max() < 40

Traitement des données relatives aux dates

birthdays.head()

          Birthday First name Last name
0         27/27/19      Rowan     Nunez
1         03-29-19      Brynn      Yang
2  March 3rd, 2019     Sophia    Reilly
3         24-03-19     Deacon    Prince
4         06-03-19   Griffith      Neal

Traitement des données relatives aux dates

birthdays.head()

A table showing the output of the birthdays dataset - one row has a date in month, day, year format; another has it written out in full; a final row contains a format that is clearly an error - repeating the day component twice.

Formatage de la date et de l'heure

datetime est utile pour représenter des dates

Date	Format `datetime`
25/12/2019	`%d-%m-%Y`
25 décembre 2019	`%c`
25-12-2019	`%m-%d-%Y`
…	…

pandas.to_datetime()

Reconnaît automatiquement la plupart des formats
Parfois, des échecs surviennent en raison de formats erronés ou non reconnus

Traitement des données relatives aux dates

# Converts to datetime - but won't work!
birthdays['Birthday'] = pd.to_datetime(birthdays['Birthday'])

ValueError: month must be in 1..12

# Will work!
birthdays['Birthday'] = pd.to_datetime(birthdays['Birthday'],
                                       # Return NA for rows where conversion failed
                                       errors = 'coerce')

Traitement des données relatives aux dates

birthdays.head()

    Birthday First name Last name
0        NaT      Rowan     Nunez
1 2019-03-29      Brynn      Yang
2 2019-03-03     Sophia    Reilly
3 2019-03-24     Deacon    Prince
4 2019-06-03   Griffith      Neal

Traitement des données relatives aux dates

birthdays['Birthday'] = birthdays['Birthday'].dt.strftime("%d-%m-%Y")
birthdays.head()

     Birthday First name Last name
0         NaT      Rowan     Nunez
1  29-03-2019      Brynn      Yang
2  03-03-2019     Sophia    Reilly
3  24-03-2019     Deacon    Prince
4  03-06-2019   Griffith      Neal

Traitement des données de date ambiguës

Est-ce que 2019-03-08 est en août ou en mars ?

Convertir en NA et procéder en conséquence
Déduire le format en analysant la source des données
Déduire le format en analysant les données précédentes et suivantes dans DataFrame

Passons à la pratique !

Nettoyage des données en Python