使用python清理大数据
我必须用python清理输入数据文件。由于输入错误，数据字段可能有字符串而不是数字。我想确定所有字段都是字符串，并使用pandas填充这些字段。另外，我想记录这些字段的索引 最粗糙的方法之一是循环遍历每个字段并检查它是否是数字，但如果数据很大，这会消耗大量时间 我的csv文件包含与下表类似的数据： 。。。。 假设数据中有60000行这样的行使用python清理大数据,python,pandas,Python,Pandas,我必须用python清理输入数据文件。由于输入错误，数据字段可能有字符串而不是数字。我想确定所有字段都是字符串，并使用pandas填充这些字段。另外，我想记录这些字段的索引 最粗糙的方法之一是循环遍历每个字段并检查它是否是数字，但如果数据很大，这会消耗大量时间 我的csv文件包含与下表类似的数据： 。。。。 假设数据中有60000行这样的行 理想情况下，我想确定行IND在SALES列下的值无效。有没有关于如何有效执行此操作的建议？尝试将“sales”字符串转换为int，如果格式正确，则继续执行，
理想情况下，我想确定行IND在SALES列下的值无效。有没有关于如何有效执行此操作的建议？尝试将“sales”字符串转换为
intValueErrorbad_lines = []
with open(fname,'rb') as f:
header = f.readline()
for j,l in enumerate(f):
country,count,sales = l.split()
try:
sales_count = int(sales)
except ValueError:
sales_count = 'NaN'
bad_lines.append(j)
# shove in to your data structure
print country,count,sales_count
import os
import numpy as np
import pandas as PD
filename = os.path.expanduser('~/tmp/data.csv')
df = PD.DataFrame(
np.genfromtxt(
filename, delimiter = '\t', names = True, dtype = '|O4,<i4,<f8'))
print(df)
NaNprint(y['Country'][np.isnan(y['Sales'])])
2 IND
Name: Country
有一个
na_valuesna_值None要识别为NA/NaN的其他字符串。如果dict通过，则每列特定NA值 使用，您只能选择
'Sales''Country'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
IND g我建议使用正则表达式：
import re
ss = '''Country Count Sales
USA , 3 , 65000
UK , 3 , 4000
IND , 8 , g
SPA , ju , 9000
NTH , 5 , 80000
XSZ , rob , k3'''
with open('fofo.txt','w') as f:
f.write(ss)
print ss
print
delimiter = ','
regx = re.compile('(.+?(?:{0}))'
'(( *\d+?)| *.+?)'
'( *(?:{0}))'
'(( *\d+?)| *.+?)'
'( *\r?\n?)$'.format(delimiter))
def READ(filepath, regx = regx):
with open(filepath,'rb+') as f:
yield f.readline()
for line in f:
if None in regx.match(line).group(3,6):
g2,g3,g5,g6 = regx.match(line).group(2,3,5,6)
tr = ('%%%ds' % len(g2) % 'NaN' if g3 is None else g3,
'%%%ds' % len(g5) % 'NaN' if g6 is None else g6)
modified_line = regx.sub(('\g<1>%s\g<4>%s\g<7>' % tr),line)
print ('------------------------------------------------\n'
'%r with aberration\n'
'%r modified line'
% (line,modified_line))
yield modified_line
else:
yield line
with open('modified.txt','wb') as g:
g.writelines(x for x in READ('fofo.txt'))
在
60000行的文件上循环实际上不会花费很长时间。在我看来，花在这种方法上的时间几乎不值得注意。你能展示一下你所做的尝试，并用基准测试来证明它对你的计算机来说确实是一个巨大的负载吗？如果它需要更长的时间，那么就使用多处理模块，但它确实不应该超过几秒钟，当然这取决于你需要编辑的行数。int（销售）
应该给出与int（sales.strip（））
（int
不关心空格）相同的东西，你也可以做country，count，sales=l.split（）
或者可能country，count，sales=l.split（None，2）
@mgilson真棒，python比我想象的还要聪明（再次）我认为在较大的数据帧上预测数据类型可能是不可能的/不合理的，特别是如果有比这个玩具示例中更多的列……很好。为什么要注释掉read_csv代码？它似乎起作用了。@Monir取消了注释，并将注释到了\u dict（）
。虽然，apply
是我答案的重要部分（奇怪的是，似乎没有其他答案使用它）。
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
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
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
filename = open('file.csv')
filename.readline()
for line in filename:
currentline = line.split(',')
try:
int(currentline[2][:-1])
except:
print currentline[0], currentline[2][:-1]
import re
ss = '''Country Count Sales
USA , 3 , 65000
UK , 3 , 4000
IND , 8 , g
SPA , ju , 9000
NTH , 5 , 80000
XSZ , rob , k3'''
with open('fofo.txt','w') as f:
f.write(ss)
print ss
print
delimiter = ','
regx = re.compile('(.+?(?:{0}))'
'(( *\d+?)| *.+?)'
'( *(?:{0}))'
'(( *\d+?)| *.+?)'
'( *\r?\n?)$'.format(delimiter))
def READ(filepath, regx = regx):
with open(filepath,'rb+') as f:
yield f.readline()
for line in f:
if None in regx.match(line).group(3,6):
g2,g3,g5,g6 = regx.match(line).group(2,3,5,6)
tr = ('%%%ds' % len(g2) % 'NaN' if g3 is None else g3,
'%%%ds' % len(g5) % 'NaN' if g6 is None else g6)
modified_line = regx.sub(('\g<1>%s\g<4>%s\g<7>' % tr),line)
print ('------------------------------------------------\n'
'%r with aberration\n'
'%r modified line'
% (line,modified_line))
yield modified_line
else:
yield line
with open('modified.txt','wb') as g:
g.writelines(x for x in READ('fofo.txt'))
Country Count Sales
USA , 3 , 65000
UK , 3 , 4000
IND , 8 , g
SPA , ju , 9000
NTH , 5 , 80000
XSZ , rob , k3
------------------------------------------------
'IND , 8 , g\r\n' with aberration
'IND , 8 , NaN\r\n' modified line
------------------------------------------------
'SPA , ju , 9000\r\n' with aberration
'SPA , NaN , 9000\r\n' modified line
------------------------------------------------
'XSZ , rob , k3' with aberration
'XSZ , NaN , NaN' modified line