大家好,作为一名数据工程师,面对糟糕的数据质量,可以使用Pandas执行快捷的数据质量检查。本文使用scikit-learn提供的California Housing数据集,进行基本数据检查。
一、California Housing数据集概述
【数据集】:
https://scikit-learn.org/stable/modules/generated/sklearn.datasets.fetch_california_housing.html
本文使用Scikit-learn数据集模块中的California Housing数据集,该数据集包含20000多条记录,涵盖了八个数值特征和一个目标房价中值。
接下来,将数据集读取到一个名为df
的Pandas数据帧中:
from sklearn.datasets import fetch_california_housing
import pandas as pd# 获取California Housing数据集
data = fetch_california_housing()# 将数据集转换为Pandas DataFrame
df = pd.DataFrame(data.data, columns=data.feature_names)# 添加目标列
df['MedHouseVal'] = data.target
要获取数据集的详细描述,运行data.DESCR
,如下所示:
print(data.DESCR)
data.DESCR的输出结果
接下来了解一下数据集的基本信息:
df.info()
输出结果如下:
Output >>>RangeIndex: 20640 entries, 0 to 20639
Data columns (total 9 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 MedInc 20640 non-null float641 HouseAge 20640 non-null float642 AveRooms 20640 non-null float643 AveBedrms 20640 non-null float644 Population 20640 non-null float645 AveOccup 20640 non-null float646 Latitude 20640 non-null float647 Longitude 20640 non-null float648 MedHouseVal 20640 non-null float64
dtypes: float64(9)
memory usage: 1.4 MB
由于存在数值特征,因此也使用describe()
方法获取摘要统计信息:
df.describe()
二、7项基本数据质量检查
2.1 检查缺失值
现实世界的数据集经常存在缺失值,为了分析数据和建立模型,就需要处理这些缺失值。
为确保数据质量,应该检查缺失值的比例是否在特定的容差范围内。然后,可以使用适当的填充策略对缺失值进行填充,第一步是检查数据集中所有特征的缺失值。
以下代码会检查数据帧df
中每一列的缺失值:
# 检查数据帧中的缺失值
missing_values = df.isnull().sum()
print("Missing Values:")
print(missing_values)
结果是一个显示每列缺失值计数的Pandas序列:
Output >>>Missing Values:
MedInc 0
HouseAge 0
AveRooms 0
AveBedrms 0
Population 0
AveOccup 0
Latitude 0
Longitude 0
MedHouseVal 0
dtype: int64
如上所示,此数据集中没有缺失值。
2.2 识别重复记录
数据集中的重复记录可能会影响分析结果,应该根据需要检查并删除重复记录。以下是识别并返回df
中重复行的代码,如果存在重复行,它们将包含在结果中:
# 检查数据帧中是否有重复行
duplicate_rows = df[df.duplicated()]
print("Duplicate Rows:")
print(duplicate_rows)
结果是一个空数据帧,这意味着数据集中没有重复记录:
Output >>>Duplicate Rows:
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []
2.3 检查数据类型
在分析数据集时,经常需要转换或缩放一个或多个特征。为了避免在执行此类操作时出现意外错误,重要的是检查列是否都是预期的数据类型。
以下代码检查数据框df
中每一列的数据类型:
# 检查DataFrame中每一列的数据类型
data_types = df.dtypes
print("Data Types:")
print(data_types)
在这里,所有的数值特征都是预期的浮点数据类型:
Output >>>Data Types:
MedInc float64
HouseAge float64
AveRooms float64
AveBedrms float64
Population float64
AveOccup float64
Latitude float64
Longitude float64
MedHouseVal float64
dtype: object
2.4 检查异常值
异常值是指与数据集中其他点显著不同的数据点,在“California Housing数据集概述”部分,本文对数据帧运行了describe()
方法。
根据四分位值和最大值,可以确定一些特征包含异常值。具体而言,这些特征有:
-
MedInc
-
AveRooms
-
AveBedrms
-
Population
处理异常值的一种方法是使用四分位数间距(interquartile range,IQR),即第75个四分位数和第25个四分位数之间的差值。如果Q1是第25个四分位数,Q3是第75个四分位数,那么四分位数间距的计算公式为Q3 - Q1。
然后使用四分位数和IQR来定义区间[Q1 - 1.5 * IQR, Q3 + 1.5 * IQR],
所有在此范围之外的点都是异常值。
columns_to_check = ['MedInc', 'AveRooms', 'AveBedrms', 'Population']# 查找带有异常值的记录的函数
def find_outliers_pandas(data, column):Q1 = data[column].quantile(0.25)Q3 = data[column].quantile(0.75)IQR = Q3 - Q1lower_bound = Q1 - 1.5 * IQRupper_bound = Q3 + 1.5 * IQRoutliers = data[(data[column] < lower_bound) | (data[column] > upper_bound)]return outliers# 对每个指定的列查找带有异常值的记录
outliers_dict = {}for column in columns_to-check:outliers_dict[column] = find_outliers_pandas(df, column)# 打印每列中带有异常值的记录
for column, outliers in outliers_dict.items():print(f"Outliers in '{column}':")print(outliers)print("\n")
'AveRooms'列中的异常值 | 用于异常值检查的截断输出
2.5 验证数值范围
对于数值特征,一项重要的检查是验证范围。以下代码将验证MedInc
值是否在预期范围内,并识别出不符合这一标准的数据点:
# 检查'MedInc'列的数值范围
valid_range = (0, 16)
value_range_check = df[~df['MedInc'].between(*valid_range)]
print("Value Range Check (MedInc):")
print(value_range_check)
也可以尝试选择其他的数值特征,可以看到MedInc
列中的所有数值都在预期范围内:
Output >>>Value Range Check (MedInc):
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []
2.6 检查列间的依赖关系
大多数数据集都包含相关的特征,因此根据列(或特征)之间的逻辑相关关系进行检查是很重要的。虽然单个特征本身可能在预期范围内取值,但它们之间的关系可能是不一致的。
以下是本文数据集的一个示例,在一个有效的记录中,“AveRooms
”通常应大于或等于“AveBedRms
”。
# AveRooms不应小于AveBedrooms
invalid_data = df[df['AveRooms'] < df['AveBedrms']]
print("Invalid Records (AveRooms < AveBedrms):")
print(invalid_data)
在正在处理的California housing数据集中,没有发现这样的无效记录:
Output >>>Invalid Records (AveRooms < AveBedrms):
Empty DataFrame
Columns: [MedInc, HouseAge, AveRooms, AveBedrms, Population, AveOccup, Latitude, Longitude, MedHouseVal]
Index: []
2.7 检查不一致的数据输入
在大多数数据集中,不一致的数据输入是一个常见的数据质量问题。例如:
-
日期时间列中的格式不一致
-
分类变量值的记录不一致
-
以不同单位记录读数
在本文的数据集中,已经验证了列的数据类型并识别了异常值,但还可以尝试检查数据输入是否一致。接下来举一个简单的例子,检查所有的日期输入是否具有一致的格式。
在这里,本文使用正则表达式结合Pandas的apply()
函数来检查所有日期输入是否符合YYYY-MM-DD
的格式:
import pandas as pd
import redata = {'Date': ['2023-10-29', '2023-11-15', '23-10-2023', '2023/10/29', '2023-10-30']}
df = pd.DataFrame(data)# 定义预期的日期格式
date_format_pattern = r'^\d{4}-\d{2}-\d{2}$' # YYYY-MM-DD format# 检查日期值是否符合预期格式的函数
def check_date_format(date_str, date_format_pattern):return re.match(date_format_pattern, date_str) is not None# 对'Date'列应用格式检查
date_format_check = df['Date'].apply(lambda x: check_date_format(x, date_format_pattern))# 识别并检索不符合预期格式的日期记录
non_adherent_dates = df[~date_format_check]if not non_adherent_dates.empty:print("Entries that do not follow the expected format:")print(non_adherent_dates)
else:print("All dates are in the expected format.")
这将返回不符合预期格式的日期记录:
Output >>>Entries that do not follow the expected format:Date
2 23-10-2023
3 2023/10/29
综上,当在处理较小的数据分析项目时,使用Pandas进行这些数据质量检查是一个很好的起点。根据问题和数据集的不同,还可以加入其他检查。