我必须在 python 中清理输入数据文件。由于拼写错误,数据字段可能包含字符串而不是数字。我想识别所有是字符串的字段,并使用 Pandas 用 NaN 填充这些字段。另外,我想记录这些字段的索引。
最粗暴的方法之一是循环遍历每个字段并检查它是否为数字,但是如果数据很大,这会消耗很多时间。
我的 csv 文件包含类似于下表的数据:
Country Count Sales
USA 1 65000
UK 3 4000
IND 8 g
SPA 3 9000
NTH 5 80000
.... 假设我在数据中有 60,000 个这样的行。
理想情况下,我想确定 IND 行在 SALES 列下具有无效值。关于如何有效地执行此操作的任何建议?
最佳答案
read_csv
有一个na_values
参数:
na_values
: list-like or dict, defaultNone
Additional strings to recognize as NA/NaN. If dict passed, specific per-column NA values
df = pd.read_csv('city.csv', sep='\s+', na_values=['g'])
In [2]: df
Out[2]:
Country Count Sales
0 USA 1 65000
1 UK 3 4000
2 IND 8 NaN
3 SPA 3 9000
4 NTH 5 80000
使用 pandas.isnull
,您只能选择 'Sales'
列或 'Country'
系列中具有 NaN 的那些行:
In [3]: df[pd.isnull(df['Sales'])]
Out[3]:
Country Count Sales
2 IND 8 NaN
In [4]: df[pd.isnull(df['Sales'])]['Country']
Out[4]:
2 IND
Name: Country
如果它已经在 DataFrame 中,您可以使用 apply
将那些数字字符串转换为整数(使用 str.isdigit
):
df = pd.DataFrame({'Count': {0: 1, 1: 3, 2: 8, 3: 3, 4: 5}, 'Country': {0: 'USA', 1: 'UK', 2: 'IND', 3: 'SPA', 4: 'NTH'}, 'Sales': {0: '65000', 1: '4000', 2: 'g', 3: '9000', 4: '80000'}})
In [12]: df
Out[12]:
Country Count Sales
0 USA 1 65000
1 UK 3 4000
2 IND 8 g
3 SPA 3 9000
4 NTH 5 80000
In [13]: df['Sales'] = df['Sales'].apply(lambda x: int(x)
if str.isdigit(x)
else np.nan)
In [14]: df
Out[14]:
Country Count Sales
0 USA 1 65000
1 UK 3 4000
2 IND 8 NaN
3 SPA 3 9000
4 NTH 5 80000
关于python - 使用python清理大数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/13867294/