财经大数据分析——以Python为工具 课件第3、4章 数据清洗、 股权性质信息整理——应用数据转置.pptx

;;数据处理过程中，原始数据可能存在着各种不利于分析及后续处理的因素，如数据缺失、异常值等。这些因素不仅会影响数据建模，更会影响数据分析的结果，故数据清洗尤为重要。

数据清洗的目的包括两点：第一，通过清洗使数据可用；第二，让数据变得更适合后续的分析过程。换句话说，“脏”的数据要洗，干净的数据也要洗。;;3.1数据标签重命名;3.1缺失值处理;;3.2缺失值处理;3.2缺失值处理;3.2缺失值处理;3.2缺失值处理;;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;3.3异常值处理;;3.4数据去重;3.4数据去重;3.4数据去重;;3.5数据替换;3.5数据替换;3.5数据替换;;3.6数据标准化;3.6数据标准化;3.6数据标准化;;3.6数据标准化;;;“转置”是一个数学名词，常用于矩阵的计算过程中。设A为m×n阶矩阵（即m行n列），第i行j列的元素为Aij，把A的行列互相交换从而得到一个新的矩阵AT，这一过程称为矩阵的转置。;在Python中，数据转置是将原数据的行列互换，以更符合研究逻辑，更方便地进行计算和分析，在数据预处理时经常使用，为之后的数据筛选、合并、统计操作提供方便。本章将介绍以下五个Pandas模块与数据转置有关的函数。;;4.1T转置;4.1T转置;;4.2行列互换;4.2行列互换;4.2行列互换;;4.3数据透视;4.3数据透视;4.3数据透视;4.3数据透视;;4.1数据转置;4.1数据转置;4.1数据转置;4.1数据转置;4.1数据转置;;4.5应用实践