Constrângeri de unicitate

Curățarea datelor în Python

Adel Nehme

VP of AI Curriculum, DataCamp

Ce sunt valorile duplicate?

Toate coloanele au aceleași valori

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
Curățarea datelor în Python

Ce sunt valorile duplicate?

Majoritatea coloanelor au aceleași valori

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
Curățarea datelor în Python

De ce apar?

duplicate_1

Curățarea datelor în Python

De ce apar?

duplicate_2

Curățarea datelor în Python

De ce apar?

duplicate_3

Curățarea datelor în Python

Cum se identifică valorile duplicate?

# 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
Curățarea datelor în Python

Cum se identifică valorile duplicate?

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

1       False
...     ....
22      True
23      False
...     ...
Curățarea datelor în Python

Cum se identifică valorile duplicate?

# 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
Curățarea datelor în Python

Cum se identifică rândurile duplicate?

Metoda .duplicated()

subset: Listă de nume de coloane de verificat pentru duplicate.

keep: Dacă se păstrează valorile primei ('first'), ultimei ('last') sau tuturor (False) apariții duplicate.

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

Cum se identifică rândurile duplicate?

# 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
Curățarea datelor în Python

Cum se identifică rândurile duplicate?

# 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
Curățarea datelor în Python

Cum se identifică rândurile duplicate?

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

1_3_full_duplicates.png

Curățarea datelor în Python

Cum se identifică rândurile duplicate?

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

1_3_partial_duplicates.png

Curățarea datelor în Python

Cum se tratează valorile duplicate?

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

1_3_full_duplicates.png

Curățarea datelor în Python

Cum se tratează valorile duplicate?

Metoda .drop_duplicates()

subset: Listă de nume de coloane de verificat pentru duplicate.

keep: Dacă se păstrează valorile primei ('first'), ultimei ('last') sau tuturor (False) apariții duplicate.

inplace: Elimină rândurile duplicate direct în DataFrame, fără a crea un obiect nou (True).

# Drop duplicates
height_weight.drop_duplicates(inplace = True)
Curățarea datelor în Python

Cum se tratează valorile duplicate?

# 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
Curățarea datelor în Python

Cum se tratează valorile duplicate?

# 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')

1_3_duplicate_aggregation.png

Curățarea datelor în Python

Cum se tratează valorile duplicate?

Metodele .groupby() și .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
Curățarea datelor în Python

Să exersăm!

Curățarea datelor în Python

Preparing Video For Download...