教案11 数值型格式问题

厦门电子职业中专学校教案纸第1页学科数据分析与可视化项目三处理电商平台店铺销售数据检查授课班级授课时数2教具计算机、投影仪多媒体教学网络授课时间教学方法授课、投影仪演示及上机操作教学目的了解数值型格式问题的处理方法掌握数值型问题的处理步骤教学重点和难点数值型格式问题数值型格式问题的处理方法复习提问日期格式问题有哪些？教学内容、方法、过程和板书设计教学追记【复习引入】上节课我们学习了日期类型格式问题的处理的方法，这节课我们将学习对数值型格式问题的处理。【新课教学】数值型数据（NumericData）是一种在计算机科学、统计学和数据分析领域广泛使用的数据类型，用于表示具有数值意义的信息。它通常指代那些可以用数字来衡量和量化的事物，这些数据可以直接参与数学运算和统计分析。在计算机中，数值型数据的具体类型包括：教案纸附页第2页教学内容、方法、过程和板书设计教学追记数值类型说明整数没有小数部分的数字，如-10、0、15浮点数带有小数部分的数字，如3.14、-25.678长整型现版本Python中已经被int吸收，可存储任意大小的整数复数由实部和虚部组成的数字，如3+4j，其中3是实部，4是虚部。在数据清洗过程中，针对数值类型的数据通常会出现以下几种问题：1.格式不一致：数值数据可能来自不同的数据源，这些数据源可能使用了不同的格式或单位。在进行数据分析之前，需要将这些数据转换为统一的格式或单位。如：”一千”、”1,000.00”、”1,000”，三者表达同一意思，但数据格式并不一样。2.数据类型错误：有时候，数值型数据可能会被错误地记录为文本型或其他数据类型，这需要在数据清洗过程中进行识别和转换。如：”一千”需要将其转换为整数型或者浮点型，才能参与数值型的计算。3.数值本身不符合常理：数据中可能存在逻辑矛盾的数值，比如身高负数、年龄超过平均寿命很多倍等。为了解决这些问题，数据清洗过程中通常包括标准化数值格式、纠正数据类型错误且有效的数据。在python中，常见的用于转换数值类型数据的函数是pd.to_numeric()与astype()，pd.to_numeric()的主要参数有：教案纸附页第3页教学内容、方法、过程和板书设计教学追记pandas.to_numeric(arg,errors='raise')（1）arg:必需，待转换的对象，可以是一个Series、Index或者任何列表/数组-like对象。（2）errors:当遇到无法转换为数值类型的元素时，设置错误处理方式。可选值包括'raise'(默认)、'coerce'和'ignore'。'raise'：遇到无法转换的情况会抛出ValueError异常。'coerce'：将无法转换的值转化为NaN。'ignore'：保留原样，不进行转换。importpandasaspdData=pd.Series(['1','2.5','3','apple'])#将Data转换为数值类型s_converted=pd.to_numeric(Data,errors='coerce')#输出结果:01.012.523.03NaNtype:float64astype()的主要参数有：DataFrame/Series.astype(dtype,copy=True,errors='raise')dtype:必需，要转换的目标数据类型。可以是Python内置的类型名称（如int,float,str），或者是NumPy数据类型（如32,np.float64），也可以是一个字典，键是列名，值是对应列要转换的数据类型。copy:默认为True，表示返回一个新的对象；若设置为False，则试图直接修改原对象的数据类型。errors:处理转换错误的方式，数值有'raise'（默认，遇到无法转换的数据会抛出错误）和'ignore'（忽略转换错误，但转换后该位置的数据类型保持不变）。importpandasaspds=pd.Series([1.1,2.2,3.3])#将其转换为整数类型s_int=s.astype(int)#输出结果:011223dtype:int32教案纸附页第4页教学内容、方法、过程和板书设计教学追记【教学反思】本节课我围绕教学目标展开教学，通过自主学习法、分组讨论法、实操强化法进行教学，学生整体参与度较高。在教学难点上，部分学生理解起来有