开始使用免费开始使用

处理重复值

在上一个练习中，您已经验证：导入到 ride_sharing 的最新更新存在一个缺陷，导致 ride_id 列的某些取值出现完全重复行和不完整重复行，并且 user_birth_year 与 duration 列偶尔还会有不一致的取值。

在本练习中，您将先删除完全重复的行，然后将不完整的重复行合并为一行；在合并时，对每组不完整重复行保留 duration 的平均值，以及 user_birth_year 的最小值。

本练习是课程的一部分

Python 数据清洗

查看课程

练习说明

  • 删除 ride_sharing 中完全重复的行，并将结果保存到 ride_dup。
  • 创建 statistics 字典：对 user_birth_year 使用最小值聚合（min），对 duration 使用平均值聚合（mean）。
  • 通过按 ride_id 分组并应用 statistics 中的聚合来删除不完整重复行。
  • 再次查找重复项，并运行 assert 语句以验证去重结果。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Drop complete duplicates from ride_sharing
ride_dup = ____.____()

# Create statistics dictionary for aggregation function
statistics = {'user_birth_year': ____, 'duration': ____}

# Group by ride_id and compute new statistics
ride_unique = ride_dup.____('____').____(____).reset_index()

# Find duplicated values again
duplicates = ride_unique.____(subset = 'ride_id', keep = False)
duplicated_rides = ride_unique[duplicates == True]

# Assert duplicates are processed
assert duplicated_rides.shape[0] == 0
编辑并运行代码