标签:需要 内蒙古 values data upd gbk code postfix user
1. 首先导入数据
UserInfoData1 = pd.read_csv(‘data.csv‘,encoding = ‘GBK‘) UserInfoData1.head()
数据长这个样子:
3. 统一格式,去掉后缀
# 去掉城市名称中的 “市” # UserInfoData1.UserInfo_20 = [x[0:-1] for x in UserInfoData1.UserInfo_20 if UserInfoData1.UserInfo_20.notnull().all()] # Length of values does not match length of index # 用此方法的时候,当把序列里面的单个缺失值拿出来的时候,不能判断是否为缺失值,因此转化为字符串判断 == ‘nan’ def delete_shi(s): str_s = str(s) if str_s==‘nan‘: # AttributeError: ‘str‘ object has no attribute ‘isnull‘ return s else: if str_s[-1]==‘市‘: return str_s[0:-1] else: return s UserInfoData1.UserInfo_20 = UserInfoData1.UserInfo_20.apply(lambda s: delete_shi(s)) UserInfoData1.UserInfo_8 = UserInfoData1.UserInfo_20.apply(lambda s: delete_shi(s))
4. 查看一下UserInfo_2为非缺失值时的情况
# UserInfo_2 为非缺失值 index=UserInfoData1[UserInfoData1.UserInfo_2.notnull() & UserInfoData1.UserInfo_4.isnull() & UserInfoData1.UserInfo_8.isnull() & UserInfoData1.UserInfo_20.isnull()].index UserInfoData1[UserInfoData1.UserInfo_2.notnull() & UserInfoData1.UserInfo_4.isnull() & UserInfoData1.UserInfo_8.isnull() & UserInfoData1.UserInfo_20.isnull()]
输出如下:
可以看到,在UserInfo_2为非缺失值时,其他数据有不同程度缺失
4. 我们以UserInfo_2填充UserInfo_4
# 填补UserInfo_4缺失值 UserInfoData1.UserInfo_4[index]=UserInfoData1.UserInfo_2[index]
5. 统一格式,去掉省份变量后缀
# 处理省份变量 def delete_postfix1(s,str): if s[-1]==str: return s[0:-1] else: return s def delete_postfix2(s,str): if s[0]==‘内‘: return s[0:3] elif s[-3:]==str: return s[0:2] else: return s UserInfoData1.UserInfo_19 = UserInfoData1.UserInfo_19.apply(lambda s:delete_postfix2(s,‘自治区‘)) UserInfoData1.UserInfo_19 = UserInfoData1.UserInfo_19.apply(lambda s:delete_postfix1(s,‘省‘)) UserInfoData1.UserInfo_19 = UserInfoData1.UserInfo_19.apply(lambda s:delete_postfix1(s,‘市‘))
6. 格式统一好后,导入之前处理好的 城市-省份 对应字典
因为,字典中的城市并不全,且名称与数据中有出入,所以用数据更新字典
import pickle pickle_file = open(‘dicts.pkl‘, ‘rb‘) my_list2 = pickle.load(pickle_file) pickle_file.close() my_list2.update({‘山东‘:[‘济南‘,‘青岛‘,‘淄博‘,‘枣庄‘,‘东营‘,‘烟台‘,‘潍坊‘,‘济宁‘,‘泰安‘,‘威海‘,‘日照‘,‘莱芜‘, ‘临沂‘,‘德州‘,‘聊城‘,‘滨州‘,‘荷泽‘,‘菏泽‘]}) my_list2.update({‘内蒙古‘:[‘呼和浩特‘,‘包头‘,‘乌海‘,‘赤峰‘,‘通辽‘,‘鄂尔多斯‘,‘呼伦贝尔‘,‘巴彦淖尔‘,‘乌兰察布‘, ‘兴安盟‘,‘锡林郭勒盟‘,‘阿拉善盟‘,‘巴彦淖尔盟‘,‘乌兰察布盟‘]}) my_list2.update({‘贵州‘:[‘贵阳‘,‘六盘水‘,‘遵义‘,‘安顺‘,‘铜仁地区‘,‘黔西南布依族苗族自治州‘,‘毕节地区‘, ‘黔东南苗族侗族自治州‘,‘黔南布依族苗族自治州‘,‘黔南‘,‘黔东南‘,‘毕节‘,‘铜仁‘]}) my_list2.update({‘新疆‘:[‘乌鲁木齐‘,‘克拉玛依‘,‘吐鲁番地区‘,‘哈密地区‘,‘昌吉回族自治州‘,‘博尔塔拉蒙古自治州‘,‘巴音郭楞蒙古自治州‘,‘阿克苏地区‘,‘克孜勒苏柯尔克孜自治州‘, ‘喀什地区‘,‘和田地区‘,‘伊犁哈萨克自治州‘,‘塔城地区‘,‘阿勒泰地区‘,‘石河子‘,‘阿拉尔‘,‘图木舒克‘,‘五家渠‘,‘哈密‘,‘阿克苏‘]})
7. 根据UserInfo_4,UserInfo_7的数据填充UserInfo_8的数据
思路是:UserInfo_4是城市,UserInfo_7是省份,如果UserInfo_4属于UserInfo_7,那么认为UserInfo_8(城市)跟UserInfo_4大概率为一个城市
for c,p in zip(UserInfoData1.UserInfo_4,UserInfoData1.UserInfo_7): if str(p)==‘nan‘: pass else: province = my_list2.get(p) if c in province: i = UserInfoData1[UserInfoData1.UserInfo_4==c].index UserInfoData1.UserInfo_8[i] = UserInfoData1.UserInfo_4[i]
当然,这个方法处理这个问题也不是特别合适,但如果遇到需要用城市判断省份,用县城判断城市,省份的时候还是大有可为的。
标签:需要 内蒙古 values data upd gbk code postfix user
原文地址:https://www.cnblogs.com/dataandmoon/p/9749768.html