ข้อจำกัดด้านความเป็นเอกลักษณ์

การทำความสะอาดข้อมูลใน Python

Adel Nehme

VP of AI Curriculum, DataCamp

ค่าซ้ำคืออะไร?

ทุกคอลัมน์มีค่าเหมือนกัน

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

ค่าซ้ำคืออะไร?

บางคอลัมน์มีค่าเหมือนกัน

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

เกิดขึ้นได้อย่างไร?

duplicate_1

เกิดขึ้นได้อย่างไร?

duplicate_2

เกิดขึ้นได้อย่างไร?

duplicate_3

ค้นหาค่าซ้ำได้อย่างไร?

# 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

ค้นหาค่าซ้ำได้อย่างไร?

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

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

ค้นหาค่าซ้ำได้อย่างไร?

# 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

ค้นหาแถวซ้ำได้อย่างไร?

เมธอด .duplicated()

subset: รายชื่อคอลัมน์ที่ต้องการตรวจสอบค่าซ้ำ

keep: เลือกเก็บค่าซ้ำแบบ แรก ('first'), หลังสุด ('last') หรือ ทั้งหมด (False)

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

ค้นหาแถวซ้ำได้อย่างไร?

# 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

ค้นหาแถวซ้ำได้อย่างไร?

# 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

ค้นหาแถวซ้ำได้อย่างไร?

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

ค้นหาแถวซ้ำได้อย่างไร?

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

จัดการค่าซ้ำได้อย่างไร?

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

จัดการค่าซ้ำได้อย่างไร?

เมธอด .drop_duplicates()

subset: รายชื่อคอลัมน์ที่ต้องการตรวจสอบค่าซ้ำ

keep: เลือกเก็บค่าซ้ำแบบ แรก ('first'), หลังสุด ('last') หรือ ทั้งหมด (False)

inplace: ลบแถวซ้ำใน DataFrame โดยตรงโดยไม่สร้างอ็อบเจกต์ใหม่ (True)

# Drop duplicates
height_weight.drop_duplicates(inplace = True)

จัดการค่าซ้ำได้อย่างไร?

# 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

จัดการค่าซ้ำได้อย่างไร?

# 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')

จัดการค่าซ้ำได้อย่างไร?

เมธอด .groupby() และ .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

มาฝึกกันเถอะ!

การทำความสะอาดข้อมูลใน Python