清洗数据

Julia 中级

Anthony Markham

Quantitative Developer

查看列信息

列名是查看数据集时首先关注的内容。
一般而言，列名应清晰简洁。

println(first(stock_data))

DataFrameRow
 Row | Date        Open     High     Low      Close    Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

重命名列

如需更合适的标签，可以重命名列。

 Row | Date        Open     High     Low      Close    Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

此处 Adj Close 含空格，我们想避免。

rename!(stock_data, Dict(:Adj Close => :Adj_Close))

 Row | Date        Open     High     Low      Close    Adj_Close  Volume
     | String15    Float64  Float64  Float64  Float64  Float64    Int64
<----|---------------------------------------------------------------------
   1 | 21/01/2022   164.42   166.33    162.3   162.41    161.473  122848900

描述并查找缺失数据

缺失值是数据不一致的常见来源。
缺失的原因可能包括：
- 测量错误
- 录入错误
- 有意缺失
可用 describe 方法快速查找 DataFrame 中的缺失数据。

println(describe(stock_data))

描述缺失数据

describe() 提供整个 DataFrame 的总体概览。

7×7 DataFrame
 Row | variable   mean       min        median     max        nmissing  eltype
     | Symbol     Union     Any          Union     Any        Int64     DataType
<--------------------------------------------------------------------------------
   1 | Date                  1/02/2022             9/12/2022         0  String15
   2 | Open       152.613    126.01     151.19     178.55            0  Float64
   3 | High       154.721    127.77     153.72     179.61            0  Float64
   4 | Low        150.529    124.17     149.34     176.7             0  Float64
   5 | Close      152.698    125.02     151.21     178.96            4  Union
   6 | Adj_Close  152.296    125.02     151.07     178.154           0  Float64
   7 | Volume     8.70851e7  35195900   8.22912e7  182602000         0  Int64

移除缺失数据

可用 dropmissing 删除含缺失的行。

println(nrow(stock_data))

dropmissing!(stock_data, :"Close")

再次用 nrow() 可确认已删除 4 行。

println(nrow(stock_data))

替换缺失数据

直接删除含缺失值的行通常不可取。
视数据而定，可用替代值填补缺失。

replace!(stock_data[!, "Close"], missing => 130)
println(stock_data[[202, 227, 235, 240], :])

 Row | Date        Open     High     Low      Close     Adj Close  Volume
     | String15    Float64  Float64  Float64  Float64?  Float64    Int64
<----|-----------------------------------------------------------------------
   1 | 8/11/2022    140.41   141.43   137.49    130      139.5    89908500
   2 | 14/12/2022   145.35   146.66   141.16    130      143.21   82291200
   3 | 25/12/2022   130.92   132.42   129.64    130      131.86   63814900
   4 | 3/01/2023    130.28   130.9    124.17    130      125.07  112117500

用任意值替换缺失值通常是不合理的。

Passons à la pratique !

Julia 中级