Очистка грязных данных
В реальных таблицах есть пропуски и неверные типы. pandas помечает отсутствующее значение как NaN (Not a Number). Вы либо заполняете его, либо удаляете.
import pandas as pd
import numpy as np
df = pd.DataFrame({
"name": ["Ada", "Bo", "Cy"],
"age": [30, np.nan, 35],
})
print(df["age"].fillna(0)) # replace NaN with 0
print(df.dropna()) # drop any row that has a NaNОбычный трюк заключается в том, чтобы заполнять пропущенные числа средним значением по столбцу:
mean_age = df["age"].mean() # NaN is ignored in the mean
df["age"] = df["age"].fillna(mean_age)Измените тип столбца с помощью astype, и переименуйте столбцы с помощью rename:
df["age"] = df["age"].astype(int)
df = df.rename(columns={"name": "first_name"})Чтобы преобразовать каждое значение в столбце, используйте apply с функцией. Она запускает функцию для каждой ячейки и возвращает новый Series:
def initial(s):
return s[0]
df["letter"] = df["first_name"].apply(initial)
# you can also use a lambda:
df["letter"] = df["first_name"].apply(lambda s: s[0])В DataFrame ниже отсутствует возраст (NaN). Заполните пропущенное значение в столбце age средним значением столбца (игнорируя NaN), затем преобразуйте весь столбец age в int. Наконец добавьте новый столбец name_len, который содержит длину каждого имени (используйте .apply с len).
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.