均一性

Pythonによるデータクリーニング

Adel Nehme

VP of AI Curriculum, DataCamp

この章では

第3章 - 高度なデータ課題

データ範囲制約

範囲の例

均一性

列	単位
温度	`32°C` も `89.6°F`
重み	`70 Kg` も `11 st.`
日付	`26-11-2019` も `26, November, 2019`
お金	`100$` も `10763.90¥`

例

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

例

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   <--

例

# 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()

気温データの処理

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

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

日付データの処理

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

日付データの処理

birthdays.head()

誕生日データセットの出力を示すテーブル — 1行目は月/日/年の形式の日付、2行目は完全に書き出された形式、最後の行は明らかなエラーで日の部分が2回繰り返されています。

日時の書式設定

datetime は日付を表すのに便利です

日付	`datetime` 形式
25-12-2019	`%d-%m-%Y`
2019年12月25日	`%c`
12-25-2019	`%m-%d-%Y`
...	...

pandas.to_datetime()

ほとんどの形式を自動的に認識できます
ときどき、誤った形式や認識できない形式が原因で失敗することがあります

日付データの処理

# 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')

日付データの処理

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

日付データの処理

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

あいまいな日付データの処理

は 2019-03-08 8月ですか、それとも3月ですか？

NAに変換し、それに応じて扱う
データソースを理解してフォーマットを推測する
前後のデータから DataFrame {{4}} の形式を推測する

お疲れさまでした！

Pythonによるデータクリーニング