数据分析进阶 数据质量

目的:使用python对excel中的数据进行清洗,根据列进行数据清洗

习题1:

　　处理城市 infobox 数据，对数据进行审核，然后想出清理方法并清理数据。在第一道练习中，请审核数据集中某些特定字段中的数据类型。
　　值类型可以是：
　　1. NoneType，如果值是字符串“NULL”或空字符串“”
　　2. 列表，如果值以“{”开头
　　3. 整型，如果值可以转型为整型
　　4. 浮点型，如果值可以转型为浮点型，但是无法转型为整型。
　　　　例如，“3.23e+07”应该被当做浮点型，因为可以转型为浮点型，但是int('3.23e+07') 将抛出 ValueError
　　5. “str”，表示其他所有值  

　　

import codecs
import csv
import json
import pprint

CITIES = 'cities.csv'

FIELDS = ["name", "timeZone_label", "utcOffset", "homepage", "governmentType_label",
          "isPartOf_label", "areaCode", "populationTotal", "elevation",
          "maximumElevation", "minimumElevation", "populationDensity",
          "wgs84_pos#lat", "wgs84_pos#long", "areaLand", "areaMetro", "areaUrban"]
 
def get_type(value):
    #条件1,如果是NULL或者''返回None类型
    if value == 'NULL' or value == '':
        return type(None)
    #条件2,如果以{开头,返回list()类型  
    if value.startswith('{'):
        return type(list())
    #条件3,如果是整形,返回int类型
    try:
        new_value = int(value)
        return type(new_value)
    except ValueError:
        pass
　　#条件4,如果是浮点型,返回float类型
    try:
        new_value = float(value)
        return type(new_value)
    except ValueError:
        pass 
   #条件5,都不满足以上条件,返回str类型
    return type(str())

def audit_file(filename,fields):
    #存放每一列的类型
    fieldtypes = {}
    with open(filename,'r') as data_file:
        reader = csv.DictReader(data_file)
        #跳过文件中的前三行 
        for i in range(3):
            reader.next()
        #将给定的列名变成key,value生成一个空set来存放类型
        for field in FIELDS:
            fieldtypes[field] = set()
        
        for row in reader:
            #循环每一行
            for k,v in row.items():
                #获取数据的类型
                data_type = get_type(v)
                #如果row中的表头在给定的表头定义中
                if k in FIELDS:
                    #如果数据的类型不在字典中,则将该类型加入到字典,并返回  
                    if data_type not in fieldtypes[k]:
                        fieldtypes[k].add(data_type)
    return fieldtypes

def test():
    #测试函数,不报错即为代码正确
    fieldtypes = audit_file(CITIES, FIELDS)

    pprint.pprint(fieldtypes)

    assert fieldtypes["areaLand"] == set([type(1.1), type([]), type(None)])
    assert fieldtypes['areaMetro'] == set([type(1.1), type(None)])
    
if __name__ == "__main__":
    test()

习题2:

　　在选择城市面积的值的时候,应该选择数据的精度为第一参考目标

习题3:

　　根据上面的结论,修改表格中的areaLand字段,使其符合条件

　　

def fix_area(area):
    #如果以{开头,表示该字段有多个值,因此要选取精度最高的值返回即可 
    if area.startswith('{'):
        #去掉前后的{},并且以|分割数据 
        area_land = area.replace('{','').replace('}','').split('|')
        #获取到两个值
        area0 = area_land[0]
        area1 = area_land[1]
        #根据数据的长度来判断精度,长的数据精度更高
        if len(area0) > len(area1):
            return float(area0)
        else:
            return float(area1)
    #表示该字段只有一个值或者没有值
    else:
        try:
            #如果有值,直接转换成浮点数,返回即可 
            area_land = float(area)
            return area_land
        except ValueError:
            #如果不存在,返回None
            area_land = None
    return area_land

def process_file(filename):
    # CHANGES TO THIS FUNCTION WILL BE IGNORED WHEN YOU SUBMIT THE EXERCISE
    data = []

    with open(filename, "r") as f:
        reader = csv.DictReader(f)

        #skipping the extra metadata
        for i in range(3):
            l = reader.next()

        # processing file
        for line in reader:
            # calling your function to fix the area value
            if "areaLand" in line:
                line["areaLand"] = fix_area(line["areaLand"])
            data.append(line)

    return data

def test():
　　 #测试函数,不报错即为代码正确
    data = process_file(CITIES)

    print "Printing three example results:"
    for n in range(5,8):
        pprint.pprint(data[n]["areaLand"])

    assert data[3]["areaLand"] == None        
    assert data[8]["areaLand"] == 55166700.0
    assert data[20]["areaLand"] == 14581600.0
    assert data[33]["areaLand"] == 20564500.0    


if __name__ == "__main__":
    test()

习题4:

　　根据name列，返回所有名称列表。如果只有一个名称，列表将只有一项。如果名称是“NULL”，该列表应该为空

def fix_name(name):
    #如果为NULL返回空列表
    if name == 'NULL':
        name = []
    #如果以{开头则有多个数据,根据|进行分割,并返回名字的列表
    elif name.startswith('{'):
        name = name.replace('{','').replace('}','').split('|')
    #如果有一个值,则返回单元素的列表
    else:
        name = [name]
    return name

def process_file(filename):
    data = []
    with open(filename, "r") as f:
        reader = csv.DictReader(f)
        #skipping the extra metadata
        for i in range(3):
            l = reader.next()
        # processing file
        for line in reader:
            # calling your function to fix the area value
            if "name" in line:
                line["name"] = fix_name(line["name"])
            data.append(line)
    return data

def test():
　　#测试函数,不报错即为代码正确
    data = process_file(CITIES)

    print "Printing 20 results:"
    for n in range(20):
        pprint.pprint(data[n]["name"])

    assert data[14]["name"] == ['Negtemiut', 'Nightmute']
    assert data[9]["name"] == ['Pell City Alabama']
    assert data[3]["name"] == ['Kumhari']

if __name__ == "__main__":
    test()

习题5:

　　根据传入的point来分割出经度和纬度,和输入的参数的值进行比较,相同返回True,不相同返回False

def check_loc(point,lat,longi):
    #按照空格进行分割
    point_list = point.split(' ')
    _lat = point_list[0] #经度
    _longi = point_list[1] #纬度
    #如果文件中的值和传入的值相同,返回True,否则返回False
    if _lat == lat and _longi == longi:
        return True
    else:
        return False


def process_file(filename):
    data = []
    with open(filename, "r") as f:
        reader = csv.DictReader(f)
        #skipping the extra matadata
        for i in range(3):
            l = reader.next()
        # processing file
        for line in reader:
            # calling your function to check the location
            result = check_loc(line["point"], line["wgs84_pos#lat"], line["wgs84_pos#long"])
            if not result:
                print "{}: {} != {} {}".format(line["name"], line["point"], line["wgs84_pos#lat"], line["wgs84_pos#long"])
            data.append(line)

    return data

def test():
    #测试函数,不报错即为代码正确
    assert check_loc("33.08 75.28", "33.08", "75.28") == True
    assert check_loc("44.57833333333333 -91.21833333333333", "44.5783", "-91.2183") == False

if __name__ == "__main__":
    test()