Uniformità

Pulizia dei dati in Python

Adel Nehme

VP of AI Curriculum, DataCamp

In questo capitolo

Capitolo 3 - Problemi di dati avanzati

Vincoli di intervallo dei dati

range_examples

Uniformità

Colonna	Unità
Temperatura	`32°C` è anche `89.6°F`
Peso	`70 Kg` è anche `11 st.`
Data	`26-11-2019` è anche `26, novembre, 2019`
Denaro	`100$` è anche `10763.90¥`

Un esempio

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 esempio

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 esempio

# Importa matplotlib
import matplotlib.pyplot as plt

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

# Aggiungi titolo, etichette x e y
plt.title('Temperature in Celsius marzo 2019 - NYC')
plt.xlabel('Date')
plt.ylabel('Temperatura in Celsius')

# Mostra il grafico
plt.show()

Trattare i dati di temperatura

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

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

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

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

# Verifica che la conversione sia corretta
assert temperatures['Temperature'].max() < 40

Trattare i dati di data

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

Trattare i dati di data

birthdays.head()

Una tabella che mostra l'output del dataset birthdays: una riga ha una data in formato mese/giorno/anno; un'altra è scritta per esteso; un'ultima riga ha chiaramente un errore, ripetendo due volte il giorno.

Formattazione datetime

datetime è utile per rappresentare le date

Data	formato `datetime`
25-12-2019	`%d-%m-%Y`
December 25th 2019	`%c`
12-25-2019	`%m-%d-%Y`
...	...

pandas.to_datetime()

Riconosce automaticamente la maggior parte dei formati
A volte fallisce con formati errati o non riconoscibili

Trattare i dati di data

# Converte in datetime - ma non funzionerà!
birthdays['Birthday'] = pd.to_datetime(birthdays['Birthday'])

ValueError: month must be in 1..12

# Funzionerà!
birthdays['Birthday'] = pd.to_datetime(birthdays['Birthday'],
                                       # Restituisci NA per le righe in cui la conversione fallisce
                                       errors = 'coerce')

Trattare i dati di data

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

Trattare i dati di data

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

Trattare date ambigue

È 2019-03-08 agosto o marzo?

Converti in NA e tratta di conseguenza
Deduci il formato dalla fonte dei dati
Deduci il formato dai dati precedenti e successivi nel DataFrame

Passons à la pratique !

Pulizia dei dati in Python