- 综合排序
- 最热优先
- 最新优先
- 来自专栏马拉松程序员的专栏
数据清洗：文本规范化
前面章节初步学习数据的采集和一些快速的数据分析方法，如果需要更加深入去做数据分析，那么会使用到更加丰富的知识。自然语言处理（NLP）的其中一个方向就是文本处理。 后面两章节将讲解基础的文本分类的知识点，学习完成入门知识点后将在实践中开始数据分析之旅。 为了实现数值格式的特征输入，我们需要清洗、规范化和预处理文本数据。 通常情况下，在进行文本分析之前拿到的文本数据都是杂乱无章，文本语料库和原始文本数据也并不是规范化的。所以文本的预处理是需要使用各种方法和技术，将原始的文本转成定义好的语言成本序列。 文本规范化 文本规范化是指对文本进行转换、清洗以及将文本数据标准化形成可供NLP、分析系统和应用程序的使用的格式的过程。通常情况下，上一个小节的文本切分也是文本规范化的一部分。 1.文本清洗 文本清洗的操作是根据使用或者待分析的文本数据的质量来判断是否需要进行。如果原始文本中包含大量无关和不必要的标识和字符，那么在进行其他操作之前需要先删除它们。
1.7K30编辑于 2023-09-02 - 来自专栏ATYUN订阅号
flashtext:大规模文本数据清洗利器
做 文本分析 【文本数据挖掘快速入门】时候经常遇到同意多形词，如 BigApple/NewYork/NN 都可能代指纽约市，当我们统计纽约市出现的次数的时候我们需要分别统计这三个词的数目并进行加总。 清洗数据的速度，我们可以拿正则表达式来和flashtext作比较 ? 我们发现运行正则表达式来清洗数据，速度会随着数据量线性下降，而flashtext的清洗性能基本保持不变。 Area.') keywords_found Run ['Big Apple', 'Bay Area'] 3.2 同义词指代，抽取关键词 像big apple 和new york都代指纽约，我们需要先清洗好数据 给关键词处理器对象中加入待识别的关键词 kw_processor.add_keyword('Big Apple', 'New York') kw_processor.add_keyword('Bay Area') #对文本数据进行关键词提取 .add_keyword('New Delhi', 'NCR region') kw_processor2.add_keyword('Big Apple','New York') # 注意顺序#对文本数据进行关键词替换
2.5K30发布于 2019-05-14 - 来自专栏九陌斋
正则表达式清洗文本数据
例如查找、分割、替换… 正则表达式的应用范围太广了，所以学习这玩意还蛮重要的，不管是数据分析处理还是前后端开发都离不开正则表达式 常用正则表达式 校验数字 数字：^[0-9]*$ n位的数字：^\ $\x22]+ 禁止输入含有~的字符：[^~\x22]+ 正则表达式清洗文本 原理 正则表达式清洗文本数据的原理其实很简单，就是针对一个字符串进行正则匹配，匹配不需要的字符，并将其替换为空格或者其他内容 # -*- coding: utf-8 -*- # @Time : 2022/5/1 11:52 # @Author : MinChess # @File : 正则表达式.py # @Software ,'') return str_doc def readFile(path): str_doc = "" with open(path,'r',encoding='utf-8' 2.txt', 'a',encoding='utf-8') as file_handle: file_handle.write(result2txt) file_handle.write
81210编辑于 2022-12-26 数据清洗怎么做？一文总结8大数据清洗方法
数据清洗就是把原始数据里的错误改掉、把格式标准统一、补齐缺失的部分，最终让数据完整、统一、真实有效，能直接拿来分析、建模。 很多人花大量时间研究模型、算法，可真到了实际项目里，卡住他们的往往不是模型选的对不对，而是数据不干净、不能用。今天我给大家总结了最实用的8大数据清洗方法，能帮你解决绝大多数场景下的数据问题。 八、处理文本数据如果你的数据里有文本字段，清洗的工作量会比结构化数据大不少。文本清洗的基本流程通常包括以下几步：去除噪声：删除HTML标签、特殊符号、多余的空格和换行符，统一全半角字符。 说白了，文本清洗没有固定的标准流程，每一步要不要做、怎么做，都取决于你的具体任务。情感分析和关键词提取对停用词的处理方式就不一样，不能套同一个模板。 最后数据清洗不是一次性的工作，而是一个需要反复迭代的过程。在清洗数据的过程中，会不断发现新的问题，对数据的理解也会越来越深。数据清洗做扎实了，后面的分析和建模才有意义。
1K10编辑于 2026-03-19- 来自专栏Python小课堂
8个Python数据清洗代码，拿来即用
不管你承不承认，数据清洗着实不是一件简单的任务，大多数情况下这项工作是十分耗时而乏味的，但它又是十分重要的。 如果你经历过数据清洗的过程，你就会明白我的意思。 而这正是撰写这篇文章的目的——让读者更轻松地进行数据清洗工作。 事实上，我在不久前意识到，在进行数据清洗时，有一些数据具有相似的模式。 数据清洗小工具箱 在下面的代码片段中，数据清洗代码被封装在了一些函数中，代码的目的十分直观。你可以直接使用这些代码，无需将它们嵌入到需要进行少量参数修改的函数中。 1. 这种方法可以让你更清楚地知道哪些列有更多的缺失数据，帮助你决定接下来在数据清洗和数据分析工作中应该采取怎样的行动。 5. 例如，你希望当第一列以某些特定的字母结尾时，将第一列和第二列数据拼接在一起。根据你的需要，还可以在拼接工作完成后将结尾的字母删除掉。 8.
1.1K10编辑于 2022-01-12 - 来自专栏机器学习与统计学
8个用于数据清洗的Python代码
数据清洗，是进行数据分析和使用数据训练模型的必经之路，也是最耗费数据科学家/程序员精力的地方。 这些用于数据清洗的代码有两个优点：一是由函数编写而成，不用改参数就可以直接使用。 涵盖8大场景的数据清洗代码 这些数据清洗代码，一共涵盖8个场景，分别是： 删除多列、更改数据类型、将分类变量转换为数字变量、检查缺失数据、删除列中的字符串、删除列中的空格、用字符串连接两列（带条件）、转换时间戳 当数据集变大时，需要转换数据类型来节省内存。 同时，你也可以保留分类变量，以便进行数据可视化。 可以让你更好地了解哪些列缺失的数据更多，从而确定怎么进行下一步的数据清洗和分析操作。
1.2K60发布于 2019-08-30 - 来自专栏CDA数据分析师
分享 | 8条数据清洗经验，收藏备用！
数据给你了，那就要处理，但这些数据可能经常是： 1、不完整的（某些记录的某些字段缺失） 2、前后不一致（字段名和结构前后不一） 3、数据损坏（有些记录可能会因为种种原因被破坏） 因此，你必须经常维护你的清洗程序来清洗这些原始数据 在一部分数据上进行测试 不要尝试一次性清洗所有数据。当你刚开始写清洗代码和debug的时候，在一个规模较小的子集上进行测试，然后扩大测试的这个子集再测试。 把清洗日志打印到文件中 当运行清洗程序时，把清洗日志和错误提示都打印到文件当中，这样就能轻松的使用文本编辑器来查看他们了。 这样做能够让原始数据作为一个字段保存在清洗后的数据当中，在清洗完之后，如果你发现哪条记录不对劲了，就能够直接看到原始数据长什么样子，方便你debug。 最后一点，验证清洗后的数据 记得写一个验证程序来验证你清洗后得到的干净数据是否跟你预期的格式一致。你不能控制原始数据的格式，但是你能够控制干净数据的格式。
1.3K50发布于 2018-02-23 - 来自专栏数据处理与分析
数据清洗
数据清洗 一般义的清洗 特殊字符 在数据清洗中最常见的就是特殊字符，一般的特殊字符可以直接替换掉如地址码中最常见的’#’，像这种直接替换为号即可。 全角半角转换 数据由于来源或采集问题，可能会有全角的数字或字母，而一般的系统都不会允许有这种问题，所以需要将这些问题在清洗步骤中处理掉。 错/别字处理 错别字问题在数据清洗中是难度比较大的一部分工作，在这部分工作中，首先要找出错别字，并建立错别字对应的正确字符串的对应关系，然后使用程序批量的完成替换 空值检测 空值是要在数据清洗中过滤掉的 清洗中常用的工具与技术 如果要做地理数据的相关处理，那么FME是应该首选工具，当然，清洗也属于数据处理的范畴。 但在进行数据处理的时候，要秉承一个原则，在有选择的时候，能少些代码就少些代码！ 综上，在数据清洗中，能够掌握FME与Python基本就够了，如果你还会点正则，那就基本上是完美了！
2.1K20发布于 2019-07-31 【数据清洗】
数据清洗是数据预处理中非常重要的一部分，下面是一个简单的示例代码，展示了如何进行数据清洗： import pandas as pd # 读取数据 data = pd.read_csv('data.csv 最后将清洗后的数据保存到了一个新的文件中。 = df.reset_index(drop=True) # 显示清洗后的数据 print("\n清洗后的数据：") print(df) 这段代码首先创建了一个包含数据的 DataFrame，然后删除了包含空值的行和重复的行 ，最后重置了索引并输出清洗后的数据。 你可以根据实际需求修改和扩展这段代码来完成更复杂的数据清洗任务。
25710编辑于 2025-08-29- 来自专栏安全小圈
资产文本清洗_HTML小工具
0x00 前言 实战中经常会对收集的资产做一些文本处理, 其中有很多重复的操作, 既然是重复的事情, 那就让代码解决吧. 工具以本人自己的需求为出发点, 将想法进行的实现, 提高实战测试效率. 工具由html与js编写成了离线网页的形式, 收藏在浏览器点击打开即可. 0x01 功能介绍 去重排序求差集 将IP或文本进行排序 组合域名与端口 暂时用不上 Nmap端口提取 将nmap的扫描记录复制到工具中生成
1.2K20发布于 2021-11-12 - 来自专栏流川疯编写程序的艺术
大数据ETL实践探索（8）---- 数据清洗的目的，方法
、展示、分析 数据清洗的步骤 第0步：数据导入及元数据处理 第一步：缺失值清洗 第二步：格式内容清洗 第三步：逻辑错误清洗 第四步：非需求数据清洗 第五步：关联性验证 数据采集建议 一行代码探索性数据分析 文章链接：统一数据接入实践分享 ---- 数据清洗的目的 数据清洗， 是整个数据分析过程中不可缺少的一个环节，其结果质量直接关系到模型效果和最终结论。 在实际操作中，数据清洗通常会占据分析过程的50%—80%的时间。 数据清洗的目的从两个角度来讲： 一、是为了解决数据质量问题 二、是让数据更适合做挖掘、展示、分析 ? 通常来说，数据量不大的情况建议使用数据库。 如果数据量大（千万级以上），可以使用hadoop文本文件存储+Python操作的方式。 这个步骤对于批处理，文件交换的方式通常比较会引起问题是文件编码，推荐统一使用UTF-8编码。
5.7K11发布于 2019-10-22 - 来自专栏bit哲学院
NLTK文本整理和清洗示例代码
参考链接： 在Python中使用NLTK标记文本 # csv load import nltk import csv import json from nltk.tokenize import sent_tokenize print(rows) # json load jsonfile = open('example.json') data = json.load(jsonfile) print(data) # 文本清洗 hola gr_8" # simplest tokenizer print(s.split()) # from nltk.tokenize import word_tokenize word = word_tokenize
1.1K00发布于 2020-12-27 - 来自专栏不温卜火
数据清洗 Chapter01 | 数据清洗概况
这篇文章讲述的是数据存储方式和数据类型等基本概念、数据清洗的必要性和质量评价的关键点。希望这篇数据清洗的文章对您有所帮助！ 3、多媒体数据 文本、图像、视频、音频 ? 二、数据清洗 1、什么是数据清洗 脏数据 ? 2、为什么要进行数据清洗 从不同渠道获得的数据，集成在一起，组成新的数据集，需要进行数据清洗，来保证数据集的质量 数据分析算法对输入的数据集有要求 显示情况下的数据集质量不禁如人意，需要数据清洗 3、数据存在的问题 数据记录的重复情况 6、易用性和可维护性 考察数据的使用与访问情况，以及数据的更新，维护状况 7、相关性和可信度 考察数据与相关业务的相关情况，参考数据的实用性 8、数据冗余 考察数据集特征之间的相关性
2.1K31发布于 2020-10-28 - 来自专栏机器学习算法与Python学习
代码工具 | 数据清洗，试试这 8套Python代码
原作 Kin Lim Lee 乾明 编译整理 量子位 出品 | 公众号 QbitAI 数据清洗，是进行数据分析和使用数据训练模型的必经之路，也是最耗费数据科学家/程序员精力的地方。 这些用于数据清洗的代码有两个优点：一是由函数编写而成，不用改参数就可以直接使用。二是非常简单，加上注释最长的也不过11行。 在介绍每一段代码时，Lee都给出了用途，也在代码中也给出注释。 涵盖8大场景的数据清洗代码 这些数据清洗代码，一共涵盖8个场景，分别是： 删除多列、更改数据类型、将分类变量转换为数字变量、检查缺失数据、删除列中的字符串、删除列中的空格、用字符串连接两列（带条件）、转换时间戳 当数据集变大时，需要转换数据类型来节省内存。 可以让你更好地了解哪些列缺失的数据更多，从而确定怎么进行下一步的数据清洗和分析操作。
1.4K20发布于 2019-11-27 - 来自专栏Python疯子
python数据清洗
数据的质量直接关乎最后数据分析出来的结果，如果数据有错误，在计算和统计后，结果也会有误。 所以在进行数据分析前，我们必须对数据进行清洗。 需要考虑数据是否需要修改、如何修改调整才能适用于之后的计算和分析等。 数据清洗也是一个迭代的过程，实际项目中可能需要不止一次地执行这些清洗操作。 如果数据不存在或不符合数值规则 用nan填充 delimiter 以什么符号进行分割 skiprows=12 跳过开头12行 数据是从第13行开始的 usecols 就是获取下标为6，7列 的内容 ，没有头标签的要加上header, header=None 否则数据显示有问题 数据被会names(列标签)占用，可以先读取，获取 行和列，如果没有头标签，再设置names标签 其他参数： 文件读取部分数据 # data.to_csv("frame8.csv", index=False, header=False, float_format='%.2f') # 如果数据结构中有缺省值NaN时， 在写入文件时要添加设置缺省参数
3.2K20发布于 2018-09-06 - 来自专栏全栈程序员必看
pandas数据清洗详细教程_excel数据清洗工具
Pandas 数据清洗常见方法 01 读取数据 df=pd.read_csv('文件名称') 02 查看数据特征 df.info() 03 查看数据量 df.shape 04 查看各数字类型的统计量 df.describe ('店名')['销售额'].sum().sort_values 12 遍历查看数据集所有列的数据类型 cols=df_tm.columns for col in cols: print(col+':' +str(df_tm[col].dtype)) 13 转换数据类型 df['列名']=df.列名.astype('int') 01 去掉温度列后的℃，并将数据转为int类型 df.loc[:,'bwendu ']=df['bwendu'].str.replace('℃','').astype('int32') 02 对某列数据转换类型 data['列名']=data['列名'].astype(int) 14 删除指定列中有空值的行 mydf.dropna(subset=['列名'],inplace=True) mysf=mydf.dropna(subset=['列名']) 15 过滤某列中不符合类型的数据
1.6K10编辑于 2022-10-04 - 来自专栏机器学习与统计学
7步搞定数据清洗－Python数据清洗指南
数据清洗是整个数据分析过程的第一步，就像做一道菜之前需要先择菜洗菜一样。数据分析师经常需要花费大量的时间来清洗数据或者转换格式，这个工作甚至会占整个数据分析流程的80%左右的时间。 在这篇文章中，我尝试简单地归纳一下用Python来做数据清洗的7步过程，供大家参考。 DataDF = pd.read_csv(fileNameStr,encoding = "utf-8",dtype = str) 2. # 可以让你更好地了解哪些列缺失的数据更多，从而确定怎么进行下一步的数据清洗和分析操作。 DataDF.isnull().sum().sort_values(ascending=False) ? 修改后 四、选择部分子集 这是一个8列*541909行的数据集。 ? ? #选择子集，选择其中一列 subDataDF1=DataDF["InvoiceDate"] ?
5.6K20发布于 2019-07-22 - 来自专栏人工智能LeadAI
数据清洗经验
数据给你了，那就要处理，但这些数据可能经常是： 不完整的（某些记录的某些字段缺失） 前后不一致（字段名和结构前后不一） 数据损坏（有些记录可能会因为种种原因被破坏） 因此，你必须经常维护你的清洗程序来清洗这些原始数据 在一部分数据上进行测试 不要尝试一次性清洗所有数据。当你刚开始写清洗代码和debug的时候，在一个规模较小的子集上进行测试，然后扩大测试的这个子集再测试。 把清洗日志打印到文件中 当运行清洗程序时，把清洗日志和错误提示都打印到文件当中，这样就能轻松的使用文本编辑器来查看他们了。 这样做能够让原始数据作为一个字段保存在清洗后的数据当中，在清洗完之后，如果你发现哪条记录不对劲了，就能够直接看到原始数据长什么样子，方便你debug。 不过，这样做的坏处就是需要消耗双倍的存储空间，并且让某些清洗操作变得更慢。所以这一条只适用于效率允许的情况下。 验证清洗后的数据 记得写一个验证程序来验证你清洗后得到的干净数据是否跟你预期的格式一致。
1.6K40发布于 2018-03-07 - 来自专栏洛秋的运维之路
Shell 脚本数据处理艺术：文本清洗、格式转换实用指南
前言 Shell 脚本作为数据处理的得力助手，在文本清洗、数据格式转换等领域扮演着重要角色。本文将带您深入探索 Shell 脚本在数据处理中的实际运用。 我们将介绍几个实用的例子，展示如何利用简单的脚本命令处理文本文件和数据，清洗格式、提取信息。让我们一起来揭开这个充满实用技巧的数据处理世界。一、文本处理1. 二、数据清洗与转换1. 这些脚本演示了如何利用 Shell 命令对文本和数据进行处理、清洗和转换，帮助系统管理员和数据分析师更高效地处理和管理数据。结尾 Shell 脚本的强大功能让数据处理变得更加高效和便捷。 通过这些简单而又功能强大的命令和组合，我们能够实现文本的清洗、格式转换，处理各种数据文件。希望本文能够为您展示 Shell 脚本在数据处理中的实际应用，为您的工作提供一些实用技巧和思路。
1.4K10编辑于 2023-11-26 - 来自专栏Python绿色通道
数据整合与数据清洗
每次爬虫获取的数据都是需要处理下的。 所以这一次简单讲一下Pandas的用法，以便以后能更好的使用。 数据整合是对数据进行行列选择、创建、删除等操作。 数据清洗则是将整合好的数据去除其中的错误和异常。 本期利用之前获取的网易云音乐用户数据，来操作一番。 / 01 / 数据整合 首先读取数据。 ', header=None, names=['name', 'user_id', 'age', 'gender', 'city', 'praise', 'date'], encoding='utf-8- # 表1 df1 = df.iloc[0:10, :] print(df1) # 表2 df2 = df.iloc[8:15, :] print(df2) 两表数据如下。 ? ? / 02 / 数据清洗 01 重复值处理 Pandas提供了查看和删除重复数据的方法，具体如下。
5.7K30发布于 2019-04-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号