你一定聽說過這句著名的數據科學名言：

在數據科學項目中， 80% 的時間是在做數據處理。

如果你沒有聽過，那么請記住：數據清洗是數據科學工作流程的基礎。 機器學習模型會根據你提供的數據執行，混亂的數據會導致性能下降甚至錯誤的結果，而干凈的數據是良好模型性能的先決條件。 當然干凈的數據并不意味著一直都有好的性能，模型的正確選擇(剩余 20%)也很重要，但是沒有干凈的數據，即使是再強大的模型也無法達到預期的水平。

在本文中將列出數據清洗中需要解決的問題并展示可能的解決方案，通過本文可以了解如何逐步進行數據清洗。

缺失值

當數據集中包含缺失數據時，在填充之前可以先進行一些數據的分析。 因為空單元格本身的位置可以告訴我們一些有用的信息。 例如：

• NA值僅在數據集的尾部或中間出現。 這意味著在數據收集過程中可能存在技術問題。 可能需要分析該特定樣本序列的數據收集過程，并嘗試找出問題的根源。
• 如果列NA數量超過 70–80%，可以刪除該列。
• 如果 NA 值在表單中作為可選問題的列中，則該列可以被額外的編碼為用戶回答(1)或未回答(0)。

missingno這個python庫就可以用于檢查上述情況，并且使用起來非常的簡單，例如下圖中的白線是 NA：

import missingno as msno
msno.matrix(df)

對于缺失值的填補計算有很多方法，例如：

• 平均，中位數，眾數
• kNN
• 零或常數等

不同的方法相互之間有優勢和不足，并且沒有適用于所有情況的“最佳”技術。具體可以參考我們以前發布的文章

異常值

異常值是相對于數據集的其他點而言非常大或非常小的值。 它們的存在極大地影響了數學模型的性能。 讓我們看一下這個簡單的示例：

在左圖中沒有異常值，我們的線性模型非常適合數據點。 在右圖中有一個異常值，當模型試圖覆蓋數據集的所有點時，這個異常值的存在會改變模型的擬合方式，并且使我們的模型不適合至少一半的點。

對于異常值來說我們有必要介紹一下如何確定異常，這就要從數學角度明確什么是極大或極小。

大于Q3+1.5 x IQR或小于Q1-1.5 x IQR都可以作為異常值。 IQR(四分位距) 是 Q3 和 Q1 之間的差 (IQR = Q3-Q1)。

可以使用下面函數來檢查數據集中異常值的數量：

def number_of_outliers(df):

df = df.select_dtypes(exclude = 'object')

Q1 = df.quantile(0.25)
Q3 = df.quantile(0.75)
IQR = Q3 - Q1

return ((df < (Q1 - 1.5 * IQR)) | (df > (Q3 + 1.5 * IQR))).sum()

處理異常值的一種方法是可以讓它們等于 Q3 或 Q1。 下面的lower_upper_range 函數使用 pandas 和 numpy 庫查找其外部為異常值的范圍， 然后使用clip 函數將值裁剪到指定的范圍。

def lower_upper_range(datacolumn):
sorted(datacolumn)
Q1,Q3 = np.percentile(datacolumn , [25,75])
IQR = Q3 - Q1
lower_range = Q1 - (1.5 * IQR)
upper_range = Q3 + (1.5 * IQR)
return lower_range,upper_range

for col in columns: 
lowerbound,upperbound = lower_upper_range(df[col])
df[col]=np.clip(df[col],a_min=lowerbound,a_max=upperbound)

數據不一致

異常值問題是關于數字特征的，現在讓我們看看字符類型(分類)特征。 數據不一致意味著列的唯一類具有不同的表示形式。 例如在性別欄中，既有m/f，又有male/female。在這種情況下，就會有4個類，但實際上有兩類。

這種問題目前沒有自動處理的辦法，所以需要手動進行分析。 pandas 的unique函數就是為了這個分析準備的，下面看一個汽車品牌的例子：

df['CarName'] = df['CarName'].str.split().str[0]
print(df['CarName'].unique())

maxda-mazda, Nissan-nissan, porcshce-porsche, toyouta-toyota等都可以進行合并。

df.loc[df['CarName'] == 'maxda', 'CarName'] = 'mazda'
df.loc[df['CarName'] == 'Nissan', 'CarName'] = 'nissan'
df.loc[df['CarName'] == 'porcshce', 'CarName'] = 'porsche'
df.loc[df['CarName'] == 'toyouta', 'CarName'] = 'toyota'
df.loc[df['CarName'] == 'vokswagen', 'CarName'] = 'volkswagen'
df.loc[df['CarName'] == 'vw', 'CarName'] = 'volkswagen'

無效數據

無效的數據表示在邏輯上根本不正確的值。 例如，

• 某人的年齡是 560;
• 某個操作花費了 -8 小時;
• 一個人的身高是1200 cm等;

對于數值列，pandas的 describe 函數可用于識別此類錯誤：

df.describe()

無效數據的產生原因可能有兩種：

1、數據收集錯誤：例如在輸入時沒有進行范圍的判斷，在輸入身高時錯誤的輸入了1799cm 而不是 179cm，但是程序沒有對數據的范圍進行判斷。

2、數據操作錯誤

數據集的某些列可能通過了一些函數的處理。 例如，一個函數根據生日計算年齡，但是這個函數出現了BUG導致輸出不正確。

以上兩種隨機錯誤都可以被視為空值并與其他 NA 一起估算。

重復數據

當數據集中有相同的行時就會產生重復數據問題。 這可能是由于數據組合錯誤(來自多個來源的同一行)，或者重復的操作(用戶可能會提交他或她的答案兩次)等引起的。 處理該問題的理想方法是刪除復制行。

可以使用 pandas duplicated 函數查看重復的數據：

df.loc[df.duplicated()]

在識別出重復的數據后可以使用pandas 的 drop_duplicate 函數將其刪除：

df.drop_duplicates()

數據泄漏問題

在構建模型之前，數據集被分成訓練集和測試集。 測試集是看不見的數據用于評估模型性能。 如果在數據清洗或數據預處理步驟中模型以某種方式“看到”了測試集，這個就被稱做數據泄漏(data leakage)。 所以應該在清洗和預處理步驟之前拆分數據：

以選擇缺失值插補為例。數值列中有 NA，采用均值法估算。在 split 前完成時，使用整個數據集的均值，但如果在 split 后完成，則使用分別訓練和測試的均值。

第一種情況的問題是，測試集中的推算值將與訓練集相關，因為平均值是整個數據集的。所以當模型用訓練集構建時，它也會“看到”測試集。但是我們拆分的目標是保持測試集完全獨立，并像使用新數據一樣使用它來進行性能評估。所以在操作之前必須拆分數據集。

雖然訓練集和測試集分別處理效率不高(因為相同的操作需要進行2次)，但它可能是正確的。因為數據泄露問題非常重要，為了解決代碼重復編寫的問題，可以使用sklearn 庫的pipeline。簡單地說，pipeline就是將數據作為輸入發送到的所有操作步驟的組合，這樣我們只要設定好操作，無論是訓練集還是測試集，都可以使用相同的步驟進行處理，減少的代碼開發的同時還可以減少出錯的概率。