介紹

大家都知道數(shù)據(jù)清洗是數(shù)據(jù)分析過程中的一個重要部分。pandas有多種清洗文本字段的方法，可以用來為進(jìn)一步分析做準(zhǔn)備。隨著數(shù)據(jù)集越來越大，文本清洗的過程會逐漸變長，尋找一個能在合理時間內(nèi)有效運(yùn)行并可維護(hù)的方法變得非常重要。

本文將展示清洗大數(shù)據(jù)文件中文本字段的示例，幫助大家學(xué)習(xí)使用 Python 和 pandas 高效清理非結(jié)構(gòu)化文本字段的技巧。

問題

假設(shè)你有一批全新工藝的威士忌想出售。你所在的愛荷華州，剛好有一個公開的數(shù)據(jù)集顯示了該州所有的酒類銷售情況。這似乎是一個很好的機(jī)會，你可以利用你的分析技能，看看誰是這個州最大的客戶。有了這些數(shù)據(jù)，你甚至可以為每個客戶規(guī)劃銷售流程。

你對這個機(jī)會感到興奮，但下載了數(shù)據(jù)后發(fā)現(xiàn)它相當(dāng)大。這個數(shù)據(jù)集是一個565MB的CSV文件，包含24列和2.3百萬行。它雖然不是我們平時說的“大數(shù)據(jù)”，但它依然足夠大到可以讓Excel卡死。同時它也大到讓一些pandas方法在比較慢的筆記本電腦上運(yùn)行地非常吃力。

本文中，我們將使用包括2019年所有銷售額的數(shù)據(jù)。當(dāng)然你也可以從網(wǎng)站上下載其他不同時間段的數(shù)據(jù)。

我們從導(dǎo)入模塊和讀取數(shù)據(jù)開始，我會使用sidetable包來查看數(shù)據(jù)的概覽。這個包雖然不能用來做清洗，但我想強(qiáng)調(diào)一下它對于這些數(shù)據(jù)探索場景其實(shí)很有用。

數(shù)據(jù)

讀取數(shù)據(jù)：

import pandas as pd

import numpy as np

import sidetable

df = pd.read_csv（‘2019_Iowa_Liquor_Sales.csv’）

數(shù)據(jù)長這樣：

我們大概率要做的第一件事是看每一家商店的購買量，并將它們從大到小排序。資源有限所以我們應(yīng)該集中精力在那些我們能從中獲得最好回報的地方。我們更應(yīng)該打電話給幾個大公司的賬戶，而不是那些夫妻小店。

sidetable是以可讀格式匯總數(shù)據(jù)的快捷方式。另一種方法是groupby加上其他操作。

df.stb.freq（［‘Store Name’］， value=‘Sale （Dollars）’， style=True， cum_cols=False）

很明顯在大多數(shù)情況下，每個位置的商店名稱都是唯一的。理想情況下我們希望看到的是Hy-Vee， Costco， Sam’s 等聚合在一起的內(nèi)容。

看來我們需要清洗數(shù)據(jù)了。

清洗嘗試·1

我們可以研究的第一種方法是使用.loc以及str的布爾過濾器來搜索Store Name列中的相關(guān)字符串。

df.loc［df［‘Store Name’］.str.contains（‘Hy-Vee’， case=False）， ‘Store_Group_1’］ = ‘Hy-Vee’

上述代碼使用不區(qū)分大小寫的方式來搜索字符串“Hy Vee”，并將值“Hy Vee”存儲在名為Store_Group_1的新列中。這個代碼可以有效地將“Hy Vee#3/BDI/Des Moines”或“Hy Vee Food Store/Urbandale”等名稱轉(zhuǎn)換為正常的“Hy Vee”。

用%%timeit來計(jì)算此操作的時間：

1.43 s ± 31.8 ms per loop （mean ± std. dev. of 7 runs， 1 loop each）

我們不想過早地進(jìn)行優(yōu)化，但我們可以使用regex=False參數(shù)來稍微加速一下：

df.loc［df［‘Store Name’］.str.contains（‘Hy-Vee’， case=False， regex=False）， ‘Store_Group_1’］ = ‘Hy-Vee’

804 ms ± 27.9 ms per loop （mean ± std. dev. of 7 runs， 1 loop each）

來看下新列的情況：

df［‘Store_Group_1’］.value_counts（dropna=False）

NaN 1617777

Hy-Vee 762568

Name： Store_Group_1， dtype： int64

可以看到我們已經(jīng)清理了Hy-Vee，但還有很多其他值需要我們處理。

.loc方法內(nèi)部包含大量代碼，速度其實(shí)可能很慢。我們可以利用這個思想，來尋找一些更易于執(zhí)行和維護(hù)的替代方案。

清洗嘗試·2

另一種非常有效和靈活的方法是使用np.select來進(jìn)行多匹配并在匹配時指定值。

有幾個很好的資源可以幫你學(xué)習(xí)如何使用np.select。這篇來自Dataquest的文章就是一個很好的概述。Nathan Cheever的這篇演講也十分有趣，內(nèi)容豐富。我建議你們可以看下這兩篇文章。

關(guān)于np.select的作用最簡單的解釋是，它計(jì)算一個條件列表，如果有條件為真，就應(yīng)用相應(yīng)值的列表。

在我們的例子中，我們想查找不同的字符串，來替換為我們想要的規(guī)范值。

瀏覽完我們的數(shù)據(jù)后，我們把條件和值列表總結(jié)在store_patterns列表中。列表中的每個元組都是一個str.contains（）方法，來查找和替換對應(yīng)的我們想要做聚合的規(guī)范值。

store_patterns = ［

（df［‘Store Name’］.str.contains（‘Hy-Vee’， case=False， regex=False）， ‘Hy-Vee’），

（df［‘Store Name’］.str.contains（‘Central City’，

case=False， regex=False）， ‘Central City’），

（df［‘Store Name’］.str.contains（“Smokin‘ Joe’s”，

case=False， regex=False）， “Smokin‘ Joe’s”），

（df［‘Store Name’］.str.contains（‘Walmart|Wal-Mart’，

case=False）， ‘Wal-Mart’），

（df［‘Store Name’］.str.contains（‘Fareway Stores’，

case=False， regex=False）， ‘Fareway Stores’），

（df［‘Store Name’］.str.contains（“Casey‘s”，

case=False， regex=False）， “Casey’s General Store”），

（df［‘Store Name’］.str.contains（“Sam‘s Club”， case=False， regex=False）， “Sam’s Club”），

（df［‘Store Name’］.str.contains（‘Kum & Go’， regex=False， case=False）， ‘Kum & Go’），

（df［‘Store Name’］.str.contains（‘CVS’， regex=False， case=False）， ‘CVS Pharmacy’），

（df［‘Store Name’］.str.contains（‘Walgreens’， regex=False， case=False）， ‘Walgreens’），

（df［‘Store Name’］.str.contains（‘Yesway’， regex=False， case=False）， ‘Yesway Store’），

（df［‘Store Name’］.str.contains（‘Target Store’， regex=False， case=False）， ‘Target’），

（df［‘Store Name’］.str.contains（‘Quik Trip’， regex=False， case=False）， ‘Quik Trip’），

（df［‘Store Name’］.str.contains（‘Circle K’， regex=False， case=False）， ‘Circle K’），

（df［‘Store Name’］.str.contains（‘Hometown Foods’， regex=False，

case=False）， ‘Hometown Foods’），

（df［‘Store Name’］.str.contains（“Bucky‘s”， case=False， regex=False）， “Bucky’s Express”），

（df［‘Store Name’］.str.contains（‘Kwik’， case=False， regex=False）， ‘Kwik Shop’）

］

使用np.select很容易遇到條件和值不匹配的情況。所以我們將其合并為元組，以便更容易地跟蹤數(shù)據(jù)匹配。

想使用這種數(shù)據(jù)結(jié)構(gòu)，我們需要將元組分成兩個單獨(dú)的列表。使用zip來把store_patterns分為store_criteria和store_values：

store_criteria， store_values = zip（*store_patterns）

df［‘Store_Group_1’］ = np.select（store_criteria， store_values， ‘other’）

上述代碼將用文本值填充每個匹配項(xiàng)。如果沒有匹配項(xiàng)，我們給它賦值‘other’。

數(shù)據(jù)現(xiàn)在長這樣：

df.stb.freq（［‘Store_Group_1’］， value=‘Sale （Dollars）’， style=True， cum_cols=False）

看起來比之前好，但仍然有32.28%的‘other’。

思考下這樣做是不是更好：如果帳戶不匹配，我們使用Store Name字段，而不是‘other’。這樣來實(shí)現(xiàn)：

df［‘Store_Group_1’］ = np.select（store_criteria， store_values， None）

df［‘Store_Group_1’］ = df［‘Store_Group_1’］.combine_first（df［‘Store Name’］）

這里使用了combine_first方法來將Store Name填充None值，這是清理數(shù)據(jù)時要記住的一個簡便技巧。

再來看下數(shù)據(jù)：

df.stb.freq（［‘Store_Group_1’］， value=‘Sale （Dollars）’， style=True， cum_cols=False）

這樣看起來更好了，我們可以根據(jù)需要繼續(xù)細(xì)化分組。例如我們可能需要為Costco構(gòu)建一個字符串查找。

對于這個大型數(shù)據(jù)集來說，性能也還不錯：

13.2 s ± 328 ms per loop （mean ± std. dev. of 7 runs， 1 loop each）

這個方法的好處是你可以使用np.select來做數(shù)值分析或者上面展示的文本示例，非常靈活。這個方法也有一個弊端，那就是代碼量很大。如果你要清理的數(shù)據(jù)集非常大，那么用這個方法可能導(dǎo)致很多數(shù)據(jù)和代碼混合在一起。那么有沒有其他方法可以有差不多的性能，代碼更整潔一些？

清洗嘗試·3

這里要介紹的解決方案基于Matt Harrison的優(yōu)秀代碼示例，他開發(fā)了一個可以做匹配和清洗的generalize函數(shù)。我做了一些修改，讓這個方法可以在這個示例中使用，我想給Matt一個大大的贊。如果沒有他前期99%的工作，我永遠(yuǎn)不會想到這個解決方案！

def generalize（ser， match_name， default=None， regex=False， case=False）：

“”“ Search a series for text matches.

Based on code from https://www.metasnake.com/blog/pydata-assign.html

ser： pandas series to search

match_name： tuple containing text to search for and text to use for normalization

default： If no match， use this to provide a default value， otherwise use the original text

regex： Boolean to indicate if match_name contains a regular expression

case： Case sensitive search

Returns a pandas series with the matched value

”“”

seen = None

for match， name in match_name：

mask = ser.str.contains（match， case=case， regex=regex）

if seen is None：

seen = mask

else：

seen |= mask

ser = ser.where（~mask， name）

if default：

ser = ser.where（seen， default）

else：

ser = ser.where（seen， ser.values）

return ser

這個函數(shù)可以在pandas上調(diào)用，傳參是一個元組列表。第一個元組項(xiàng)是要搜索的值，第二個是要為匹配值填充的值。

以下是等效的模式列表：

store_patterns_2 = ［（‘Hy-Vee’， ‘Hy-Vee’）， （“Smokin‘ Joe’s”， “Smokin‘ Joe’s”），

（‘Central City’， ‘Central City’），

（‘Costco Wholesale’， ‘Costco Wholesale’），

（‘Walmart’， ‘Walmart’）， （‘Wal-Mart’， ‘Walmart’），

（‘Fareway Stores’， ‘Fareway Stores’），

（“Casey‘s”， “Casey’s General Store”），

（“Sam‘s Club”， “Sam’s Club”）， （‘Kum & Go’， ‘Kum & Go’），

（‘CVS’， ‘CVS Pharmacy’）， （‘Walgreens’， ‘Walgreens’），

（‘Yesway’， ‘Yesway Store’）， （‘Target Store’， ‘Target’），

（‘Quik Trip’， ‘Quik Trip’）， （‘Circle K’， ‘Circle K’），

（‘Hometown Foods’， ‘Hometown Foods’），

（“Bucky‘s”， “Bucky’s Express”）， （‘Kwik’， ‘Kwik Shop’）］

這個方案的一個好處是，與前面的store_patterns示例相比，維護(hù)這個列表要容易得多。

我對generalize函數(shù)做的另一個更改是，如果沒有提供默認(rèn)值，那么將保留原始值，而不是像上面那樣使用combine_first函數(shù)。最后，為了提高性能，我默認(rèn)關(guān)閉了正則匹配。

現(xiàn)在數(shù)據(jù)都設(shè)置好了，調(diào)用它很簡單：

df［‘Store_Group_2’］ = generalize（df［‘Store Name’］， store_patterns_2）

性能如何？

15.5 s ± 409 ms per loop （mean ± std. dev. of 7 runs， 1 loop each）

比起上面它稍微有一點(diǎn)慢，但我認(rèn)為它是一個更優(yōu)雅的解決方案，如果我要做一個類似的文本清理工作，我會用這個方法。

這種方法的缺點(diǎn)是，它只能做字符串清洗。而np.select也可以應(yīng)用于數(shù)值，所以應(yīng)用范圍更廣。

關(guān)于數(shù)據(jù)類型

在pandas的最新版本中，有一個專用的字符串類型。我嘗試將Store Name轉(zhuǎn)換為該字符串類型，想看是否有性能優(yōu)化。結(jié)果沒有看到任何變化。不過，未來有可能會有速度的提升，這點(diǎn)大家可以關(guān)注一下。

雖然string類型沒有什么區(qū)別，但是category類型在這個數(shù)據(jù)集上顯示了很大的潛力。有關(guān)category數(shù)據(jù)類型的詳細(xì)信息，可以參閱我的上一篇文章：https://pbpython.com/pandas_dtypes_cat.html。

我們可以使用astype將數(shù)據(jù)轉(zhuǎn)換為category類型：

df［‘Store Name’］ = df［‘Store Name’］.astype（‘category’）

然后我們跟之前那樣在運(yùn)行np.select的方法

df［‘Store_Group_3’］ = np.select（store_criteria， store_values， None）

df［‘Store_Group_3’］ = df［‘Store_Group_1’］.combine_first（df［‘Store Name’］）

786 ms ± 108 ms per loop （mean ± std. dev. of 7 runs， 1 loop each）

我們只做了一個簡單的改動，運(yùn)行時間從13秒到不到1秒。太神了！效果這么明顯的原因其實(shí)很簡單。當(dāng)pandas將列轉(zhuǎn)換為分組類型時，它只會對每個唯一的文本值調(diào)用珍貴的str.contains（）函數(shù)。因?yàn)檫@個數(shù)據(jù)集有很多重復(fù)的數(shù)據(jù)，所以我們得到了巨大的性能提升。

讓我們看看這是否適用于我們的generalize函數(shù)：

df［‘Store_Group_4’］ = generalize（df［‘Store Name’］， store_patterns_2）

不幸的是報錯了：

ValueError： Cannot setitem on a Categorical with a new category， set the categories first

這個錯誤讓我回憶起我過去處理分組數(shù)據(jù)時遇到的一些挑戰(zhàn)。當(dāng)你合并和關(guān)聯(lián)分組數(shù)據(jù)時，你很容易遇到這些錯誤。

我試圖找到一個比較好的方法來修改generage（），想讓它起作用，但目前還沒找到。如果有任何讀者能找到方法，可以聯(lián)系我獲得獎金。這里，我們通過構(gòu)建一個查找表來復(fù)制Category方法。

查找表

正如我們通過分類方法了解到的，這個數(shù)據(jù)集有很多重復(fù)的數(shù)據(jù)。我們可以構(gòu)建一個查找表，每個字符串處理一次資源密集型函數(shù)。

為了說明它是如何在字符串上工作的，我們將值從category轉(zhuǎn)換回字符串類型：

df［‘Store Name’］ = df［‘Store Name’］.astype（‘string’）

首先，我們構(gòu)建一個包含所有唯一值的lookup DataFrame并運(yùn)行g(shù)eneralize函數(shù)：

lookup_df = pd.DataFrame（）

lookup_df［‘Store Name’］ = df［‘Store Name’］.unique（）

lookup_df［‘Store_Group_5’］ = generalize（lookup_df［‘Store Name’］， store_patterns_2）

我們可以把它合并到最終的DataFrame：

df = pd.merge（df， lookup_df， how=‘left’）

1.38 s ± 15.1 ms per loop （mean ± std. dev. of 7 runs， 1 loop each）

比起np.select使用分組數(shù)據(jù)的方法稍慢一些，但是代碼可讀性和易維護(hù)程度更高，性能和這兩者之間其實(shí)需要掌握一個平衡。

此外，中間的lookup_df可以很好的輸出給分析師共享，從而讓分析師幫助你清洗更多數(shù)據(jù)。這可能節(jié)省你幾小時的時間！

總結(jié)

根據(jù)我的經(jīng)驗(yàn)，通過本文中概述的清洗示例，你可以了解很多關(guān)于底層數(shù)據(jù)的信息。

我推測你會在你的日常分析中發(fā)現(xiàn)很多需要進(jìn)行文本清理的案例，就像我在本文中展示的那樣。

下面是本文解決方案的簡要總結(jié)：

解決方案執(zhí)行時間注釋

np.select13s可用于非文本分析

generalize15s只支持文本

分組數(shù)據(jù)和np.select786ms在合并和關(guān)聯(lián)時，分組數(shù)據(jù)可能會變得棘手

查找表和generalize1.3s查找表可以由其他人維護(hù)

對于一些數(shù)據(jù)集來說，性能不是問題，所以你可以隨意選擇。

然而，隨著數(shù)據(jù)規(guī)模的增長（想象一下對50個州的數(shù)據(jù)進(jìn)行分析），你需要了解如何高效地使用pandas進(jìn)行文本清洗。我建議你可以收藏這篇文章，當(dāng)你面對類似的問題時可以再回來看看。

當(dāng)然，如果你有一些其他的建議，可能會對別人有用，可以寫在評論里。如果你知道如何使我的generalize函數(shù)與分組數(shù)據(jù)一起工作，也記得告訴我。
編輯：lyn