Enhetlighet

Datarensning i Python

Adel Nehme

VP of AI Curriculum, DataCamp

I det här kapitlet

Kapitel 3 - Avancerade dataproblem

Begränsningar för dataomfång

range_examples

Enhetlighet

Kolumn	Enhet
Temperatur	`32°C` är också `89.6°F`
Vikt	`70 Kg` är också `11 st.`
Datum	`26-11-2019` är också `26, November, 2019`
Pengar	`100$` är också `10763.90¥`

Ett exempel

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

Ett exempel

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   <--

Ett exempel

# 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()

Hantera temperaturdata

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

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

Hantera datumdata

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

Hantera datumdata

birthdays.head()

En tabell som visar utdata från födelsedag-datamängden – en rad har ett datum i formatet månad, dag, år; en annan är utskriven i fulltext; en rad innehåller ett format som tydligt är ett fel – dagkomponenten upprepas två gånger.

Datetime-formatering

datetime är användbart för att representera datum

Datum	`datetime`-format
25-12-2019	`%d-%m-%Y`
December 25th 2019	`%c`
12-25-2019	`%m-%d-%Y`
...	...

pandas.to_datetime()

Känner igen de flesta format automatiskt
Kan misslyckas med felaktiga eller okända format

Hantera datumdata

# 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')

Hantera datumdata

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

Hantera datumdata

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

Hantera tvetydiga datumdata

Är 2019-03-08 i augusti eller mars?

Konvertera till NA och hantera därefter
Härledd format utifrån förståelse av datakällan
Härledd format utifrån omgivande rader i DataFrame

Nu kör vi en övning!

Datarensning i Python