昇腾数据探险家：挖掘数据的隐藏宝藏

1.1 案例介绍

数据清洗（Data Cleansing）是指对数据进行处理和纠错，以去除或修复数据集中存在的错误、不一致、不完整和冗余的数据，从而使数据更加准确、可靠和可用。数据清洗是数据处理和数据分析中一个非常重要的步骤，它可以帮助我们提高数据的质量，从而提高数据分析和机器学习的准确性和可靠性。

本案例选择PyThon所及生成杂乱数据及清洗作为示例，通过实际操作，让大家深入了解如何利用Python中预装的库来进行数据清洗。在这个过程中，大家将学会从数据生成到数据清洗全流程。

1.2 适用对象

• 个人开发者
• 高校学生

1.3 案例时间

本案例总时长预计30分钟。

1.4 案例流程

说明：

1. 用户进入开发者空间配置Notebook环境；
2. 进入Notebook进行数据清洗功能实现。

1.5 资源总览

本案例预计花费0元。

2 环境配置

2.1 开发者空间配置

面向广大开发者群体，华为开发者空间提供免费昇腾NPU资源的Notebook，方便开发者学习昇腾相关的专业知识以及配套实验。

开发者可以直接进入华为开发者空间工作台界面，找到右侧AI Notebook，点击立即前往> 立即启动>查看Notebook，进去到Notebook界面。

3 数据清洗功能实现

3.1 数据集生成

打开Notebook后，点击笔记本下方的Python3，将以下代码复制到代码行中。

1. 导入必要的库，并配置日志记录，复制完毕后，点击上方三角运行符号运行代码。

import random
import string
import logging

# 配置日志记录
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

代码解释：

• random库用于生成随机数，在后续代码中会用于随机选择元素和确定长度等操作；
• string库提供了字符串常量，如字母、标点符号等，方便开发者使用；
• logging库用于记录程序运行过程中的信息，便于调试和监控。这里日志设置为INFO，并定义日志的输出格式。

2. 定义一些常见的列表。

# 定义一些常见的 HTML 标签
html_tags = ['<p>', '</p>', '<div>', '</div>', '<span>', '</span>', '<br>', '<h1>', '</h1>', '<h2>', '</h2>']
# 定义一些特殊字符
special_chars = string.punctuation + '￥@#&*'
# 定义一些停用词（简单示例）
stopwords = ['the', 'and', 'is', 'in', 'it', 'of', 'to']

代码解释：

• html_tags列表包含了一些常见的HTML标签，后续会在生成杂乱数据文本时使用；
• special_chars包含了常见的标点符号以及一些自定义的特殊字符；
• stopwords是一个简单的停用词列表。

3. 生成随机单词。

def generate_random_word(min_length=3, max_length=10):
    """
    生成指定长度范围内的随机单词。

    :param min_length: 单词的最小长度
    :param max_length: 单词的最大长度
    :return: 随机生成的单词
    """
    length = random.randint(min_length, max_length)
    return ''.join(random.choice(string.ascii_letters) for _ in range(length))

代码解释：

• 该函数接受两个参数min_length和max_length，分别表示单词的最小和最大长度，默认值分别为3和10；
• 使用random.randint生成一个介于min_length和max_length之间的随机整数作为单词的长度；
• 通过循环和random.choice从字母表中随机选择字符，最后使用join方法将这些字符组合成一个单词。

4. 生成随机句子。

def generate_random_sentence(min_words=3, max_words=15):
    """
    生成包含指定数量单词范围内的随机句子。

    :param min_words: 句子中单词的最小数量
    :param max_words: 句子中单词的最大数量
    :return: 随机生成的句子
    """
    num_words = random.randint(min_words, max_words)
    words = [generate_random_word() for _ in range(num_words)]
    sentence = ' '.join(words)
    return sentence

代码解释：

• 该函数接受两个参数min_words和max_words，分别表示句子中单词的最小和最大数量，默认值分别为3和15；
• 使用random.randint生成一个介于min_words和max_words之间的随机整数作为句子中单词的数量；
• 调用generate_random_word函数生成指定数量的随机单词，并将他们存储在列表words中；
• 最后使用join方法将这些单词用空格连接成一个句子。

5. 为文本添加噪声。

def add_noise(text, num_extra_spaces=5):
    """
    为文本添加多余空格噪声。

    :param text: 输入的文本
    :param num_extra_spaces: 要添加的多余空格的最大数量
    :return: 添加噪声后的文本
    """
    num_extra = random.randint(0, num_extra_spaces)
    for _ in range(num_extra):
        index = random.randint(0, len(text))
        text = text[:index] + '  ' + text[index:]
    return text

代码解释：

• 该函数接受两个参数text和num_extra_spaces，分别表示输入的文本和要添加的多余空格的最大数量，默认值为5；
• 使用random.randint生成一个介于0和num_extra_spaces之间的随机整数num_extra，表示要添加的多余空格数量；
• 通过循环，每次随机选择一个位置，在该位置插入两个空格，从而为文本添加噪声。

6. 生成一条杂乱文本的函数。

def generate_messy_text():
    """
    生成一条杂乱文本。

    :return: 杂乱文本
    """
    text = ''
    num_parts = random.randint(1, 5)
    for _ in range(num_parts):
        part_type = random.choice(['word', 'sentence', 'html', 'special'])
        if part_type == 'word':
            text += generate_random_word() + ' '
        elif part_type == 'sentence':
            text += generate_random_sentence() + ' '
        elif part_type == 'html':
            text += random.choice(html_tags) + ' '
        elif part_type == 'special':
            text += random.choice(special_chars) + ' '
    text = add_noise(text)
    return text

代码解释：

• 该函数用于生成一条杂乱文本数据；
• 首先随机确定·文本由多少各部分组成，范围是1到5个部分；
• 对于每个部分，随机选择一种类型（单词、句子、HTML标签或特殊字符），并根据类型生成相应的内容添加到文本中；
• 最后调用add_noise函数为文本添加多余空格噪声。

7. 生成指定数量的杂乱文本数量。

def generate_messy_texts(num_texts=500):
    """
    生成指定数量的杂乱文本。

    :param num_texts: 要生成的杂乱文本的数量
    :return: 包含杂乱文本的列表
    """
    return [generate_messy_text() for _ in range(num_texts)]

• 该函数接受一个参数num_texts，表示要生成的杂乱文本的数量，默认值为500；
• 使用列表推导式调用generate_messy_text函数num_texts次，生成指定数量的杂乱文本，并将他们存储在一个列表中返回。

8. 将生成的文本列表保存到文件中。

def save_texts_to_file(texts, file_path):
    """
    将文本列表保存到文件中。

    :param texts: 文本列表
    :param file_path: 文件路径
    """
    try:
        with open(file_path, 'w', encoding='utf-8') as f:
            for text in texts:
                f.write(text.strip() + '\n')
        logging.info(f"成功将 {len(texts)} 条文本保存到 {file_path}")
    except Exception as e:
        logging.error(f"保存文件时出错: {e}")

• 该函数接受两个参数texts和file_path，分别表示文本列表和文件路径；
• 使用with语句打开文件，以写入模式（w）和UTF-8编码打开文件；
• 遍历文本列表，将每个文本去除首尾空格后写入文件，并在末尾添加换行符；
• 如果保存成功，使用logging.info记录成功信息；如果出现异常，使用logging.error记录错误信息。

9. 设置主程序函数，运行完成后左侧会出现如图所示的保存列表文件。

if __name__ == "__main__":
    num_texts = 500
    file_path = 'mixed_messy_texts.txt'
    messy_texts = generate_messy_texts(num_texts)
    save_texts_to_file(messy_texts, file_path)

代码解释：

当脚本作为主程序运行时，会执行以下操作：

• 设置要生成的杂乱文本的数量为500；
• 设置保存文件的路径为mixed_messy_texts.txt；
• 调用generate_messy_texts函数生成500条杂乱文本；
• 调用save_texts_to_file函数将这些杂乱文本保存到指定文件中。

3.2 数据清洗代码编写

1.导入必要的库。

import re
from bs4 import BeautifulSoup

代码解释：

• re是Python的正则表达式模块，用于处理字符串的模式匹配和替换，后续会用它来去除文本中的特殊字符；
• BeautifulSoup是一个用于解析HTML和XML文档的库，这里会用它来去除文本中的HTML标签。

2. 定义停用词列表。

代码解释：

• 停用词是在文本处理中通常被忽略的常见词汇，因为它们对文本的语义理解贡献不大。这里定义一个停用词列表，后续会在清洗文本时移除这些词。

3. 定义清洗文本函数。

# 清洗文本
def clean_text(text):
    # 去除 HTML 标签
    soup = BeautifulSoup(text, 'html.parser')
    text = soup.get_text()

    # 去除特殊字符
    text = re.sub(r'[^a-zA-Z0-9\s]', '', text)

    # 去除多余空格
    text = ' '.join(text.split())

    # 转换为小写
    text = text.lower()

    # 移除停用词
    words = text.split()
    filtered_words = [word for word in words if word not in stopwords]
    cleaned_text = ' '.join(filtered_words)

    return cleaned_text

代码解释：

• 去除HTML标签：使用BeautifulSoup解析输入的文本，然后通过get_text（）方法提取纯文本内容，从而去除HTML标签；
• 去除特殊字符：使用正则表达式[^a-Za-Z0-9\s]匹配所有非字母、非数字和非空字符，并将它们替换为空字符串；
• 去除多余空格：先使用split（）方法将文本按空格分割成单词列表，在使用join（）方法将这些单词用单个空格连接起来，从而去除多余的空格；
• 转换为小写：使用lower（）方法将文本中所有字母转为小写，这样可以统一文本的大小写；
• 移除停用词：将文本按空格分割成单词列表，然后使用列表推导式过滤掉在停用词列表中的单词，最后将过滤后的单词用空格连接成清洗后的文本。

4. 从文件读取数据并清洗保存。

# 从文件读取数据
try:
    with open('mixed_messy_texts.txt', 'r', encoding='utf-8') as f:
        messy_texts = f.readlines()
except FileNotFoundError:
    print("未找到 mixed_messy_texts.txt 文件，请先运行生成数据的脚本。")
else:
    # 清洗数据
    cleaned_texts = [clean_text(text.strip()) for text in messy_texts]

    # 保存清洗后的数据到文件
    with open('cleaned_texts.txt', 'w', encoding='utf-8') as f:
        for text in cleaned_texts:
            f.write(text + '\n')

从文件中读取数据代码解释：

• 使用try-except语句尝试打开名为mixed_messy_text.txt的文件，并以只读模式（’r’）和UTF-8编码读取文件内容；
• readlines（）方法将文件的每一行作为一个元素存储在列表messy_texts中，如果文件不存在，会捕获FileNotFoundError异常，并打印提示信息，提醒用户先运行生成数据的脚本。

清洗数据代码解释：

• 清洗数据：使用列表推导式遍历mess_text列表中的每一行文本，调用clean_text（）函数对每一行文本进行清洗，并将清洗后的文本存储在cleaned_texts列表中；
• 保存清洗后的数据到文件：使用with语句写入模式（’w’）和UTF-8编码打开名为cleaned_texts.txt的文件，然后将cleaned_texts列表中的每一行文本写入文件，并在每行末尾添加换行符。

5. 清洗前后效果对比

清洗前：

清洗后：