Tính thống nhất

Làm sạch dữ liệu với Python

Adel Nehme

VP of AI Curriculum, DataCamp

Trong chương này

Chương 3 - Vấn đề dữ liệu nâng cao

Ràng buộc khoảng dữ liệu

range_examples

Tính thống nhất

Cột	Đơn vị
Temperature	`32°C` cũng là `89.6°F`
Weight	`70 Kg` cũng là `11 st.`
Date	`26-11-2019` cũng là `26, November, 2019`
Money	`100$` cũng là `10763.90¥`

Ví dụ

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

Ví dụ

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   <--

Ví dụ

# Import matplotlib
import matplotlib.pyplot as plt

# Tạo biểu đồ phân tán
plt.scatter(x = 'Date', y = 'Temperature', data = temperatures)

# Tạo tiêu đề, nhãn trục x và y
plt.title('Temperature in Celsius March 2019 - NYC')
plt.xlabel('Dates')
plt.ylabel('Temperature in Celsius')

# Hiển thị biểu đồ
plt.show()

Xử lý dữ liệu nhiệt độ

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

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

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

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

# Kiểm tra chuyển đổi đúng
assert temperatures['Temperature'].max() < 40

Xử lý dữ liệu ngày tháng

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

Xử lý dữ liệu ngày tháng

birthdays.head()

Bảng hiển thị đầu ra của tập birthdays - một hàng có định dạng tháng/ngày/năm; một hàng viết đầy đủ; một hàng rõ ràng sai khi lặp ngày hai lần.

Định dạng datetime

datetime hữu ích để biểu diễn ngày tháng

Date	định dạng `datetime`
25-12-2019	`%d-%m-%Y`
December 25th 2019	`%c`
12-25-2019	`%m-%d-%Y`
...	...

pandas.to_datetime()

Tự nhận diện hầu hết định dạng
Đôi khi lỗi với định dạng sai hoặc lạ

Xử lý dữ liệu ngày tháng

# Chuyển sang datetime - nhưng sẽ lỗi!
birthdays['Birthday'] = pd.to_datetime(birthdays['Birthday'])

ValueError: month must be in 1..12

# Cách này sẽ chạy!
birthdays['Birthday'] = pd.to_datetime(birthdays['Birthday'],
                                       # Trả về NA cho hàng chuyển đổi thất bại
                                       errors = 'coerce')

Xử lý dữ liệu ngày tháng

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

Xử lý dữ liệu ngày tháng

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

Xử lý ngày tháng mơ hồ

Ngày 2019-03-08 là tháng 8 hay tháng 3?

Đổi thành NA và xử lý phù hợp
Suy ra định dạng từ nguồn dữ liệu
Suy ra từ dữ liệu trước/sau trong DataFrame

Vamos praticar!

Làm sạch dữ liệu với Python