Ograniczenia unikalności

Czyszczenie danych w Pythonie

Adel Nehme

VP of AI Curriculum, DataCamp

Czym są zduplikowane wartości?

Wszystkie kolumny mają te same wartości

first_name	last_name	address	height	weight
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Bruxelles	193 cm	87 kg
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Bruxelles	193 cm	87 kg

Czym są zduplikowane wartości?

Większość kolumn ma te same wartości

first_name	last_name	address	height	weight
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Bruxelles	193 cm	87 kg
Justin	Saddlemyer	Boulevard du Jardin Botanique 3, Bruxelles	194 cm	87 kg

Skąd się biorą?

duplicate_1

Skąd się biorą?

duplicate_2

Skąd się biorą?

duplicate_3

Jak znaleźć zduplikowane wartości?

# 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

Jak znaleźć zduplikowane wartości?

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

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

Jak znaleźć zduplikowane wartości?

# 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

Jak znaleźć zduplikowane wiersze?

Metoda .duplicated()

subset: Lista nazw kolumn do sprawdzenia pod kątem duplikatów.

keep: Czy zachować pierwsze ('first'), ostatnie ('last') czy wszystkie (False) zduplikowane wartości.

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

Jak znaleźć zduplikowane wiersze?

# 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

Jak znaleźć zduplikowane wiersze?

# 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

Jak znaleźć zduplikowane wiersze?

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

Jak znaleźć zduplikowane wiersze?

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

Jak obsługiwać zduplikowane wartości?

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

Jak obsługiwać zduplikowane wartości?

Metoda .drop_duplicates()

subset: Lista nazw kolumn do sprawdzenia pod kątem duplikatów.

keep: Czy zachować pierwsze ('first'), ostatnie ('last') czy wszystkie (False) zduplikowane wartości.

inplace: Usuwa zduplikowane wiersze bezpośrednio w DataFrame bez tworzenia nowego obiektu (True).

# Drop duplicates
height_weight.drop_duplicates(inplace = True)

Jak obsługiwać zduplikowane wartości?

# 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

Jak obsługiwać zduplikowane wartości?

# 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')

Jak obsługiwać zduplikowane wartości?

Metody .groupby() i .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

Ćwiczmy!

Czyszczenie danych w Pythonie