-
Notifications
You must be signed in to change notification settings - Fork 0
/
clean-define
634 lines (496 loc) · 26.9 KB
/
clean-define
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
import pandas as pd
import numpy as np
import re
import datetime
from tqdm import tqdm
import warnings
# -*- coding: utf-8 -*-
import easygui
import pandas as pd
warnings.filterwarnings('ignore')
#判断是否是数字的函数
def is_number(num):
num=str(num)
pattern=re.compile(r'(.*)\.(.*)\.(.*)')
if pattern.match(num):
return False
try:
float(num)
return num.replace(".","").isdigit()
except:
return False
def isnum(data):
try:
tf=data.apply(lambda x: is_number(x))
except:
tf=[True for i in range(len(data))]
return tf
import scipy.stats as stats
def cor(a,b):
tf=b.isna()==False
newa=a[tf]
newb=b[tf]
r=stats.pearsonr(newa,newb)
return r
#%%
def clear_ganbu(filename,counties):
pbar = tqdm(total=100)
df=pd.read_excel(filename)
#df1=df["1.省市县/区"]
for i in range(30):
pbar.update(1)
#筛选出 本省
df=df[df["1.省市县/区"].isin(counties)]
col=list(df.columns)
# print(len(df))
#%%去除字符串 并转化数据格式为float
zrc=[i for i in col if i.find("自然村个数") != -1][0]
cymj=[i for i in col if i.find("村域面积") != -1][0]
jsyd=[i for i in col if i.find("村庄现状建设用地面积") != -1][0]
gdmj=[i for i in col if i.find(".耕地面积") != -1][0]
rjgdmj=[i for i in col if i.find("人均耕地面积") != -1][0]
dhqg=[i for i in col if i.find("丢荒弃耕的耕地面积") != -1][0]
lzgd=[i for i in col if i.find("已流转的耕地面积") != -1][0]
zjdmj=[i for i in col if i.find("平均宅基地面积") != -1][0]
jtsr=[i for i in col if i.find(".村集体总收入") != -1][0]
hjhs=[i for i in col if i.find(".户籍户数") != -1][0]
hjrk=[i for i in col if i.find(".户籍人口数") != -1][0]
czrk=[i for i in col if i.find(".常住人口数") != -1][0]
xhs=[i for i in col if i.find("18岁以下的小孩数") != -1][0]
lrs=[i for i in col if i.find("60岁以上的老人数") != -1][0]
qzwn=[i for i in col if i.find("全职务农的劳动力人数") != -1][0]
ygyn=[i for i in col if i.find("亦工亦农的劳动力人数") != -1][0]
xwwg=[i for i in col if i.find("县外务工的劳动力人数") != -1][0]
wlrk=[i for i in col if i.find("外来流动人口") != -1][0]
fxrk=[i for i in col if i.find("上年度返乡人口") != -1][0]
dsxs=[i for i in col if i.find("电商销售产品的农户") != -1][0]
nfzs=[i for i in col if i.find(".村内农房总数") != -1][0]
wrjz=[i for i in col if i.find(".一年以上无人居住的农房数") != -1][0]
dlcf=[i for i in col if i.find("有独立厨房的数量") != -1][0]
dlys=[i for i in col if i.find("可洗热水澡的独立浴室的数量") != -1][0]
scscs=[i for i in col if i.find("水冲式厕所的数量") != -1][0]
xjnf=[i for i in col if i.find(".去年村内新建的农房数") != -1][0]
yzbjz=[i for i in col if i.find("使用预制楼板建造的农房栋数") != -1][0]
zjdsx=[i for i in col if i.find("履行了宅基地手续") != -1][0]
bztj=[i for i in col if i.find("采用标准图集农房数量") != -1][0]
fxnf=[i for i in col if i.find("去年村内翻新的农房数") != -1][0]
jfcb=[i for i in col if i.find(".去年的建房成本") != -1][0]
zlscgs=[i for i in col if i.find("集中供水,水源为自来水厂的自然村个数") != -1][0]
fzlscgs=[i for i in col if i.find("集中供水,水源非自来水厂(如井水等)") != -1][0]
czws=[i for i in col if i.find("接入城镇污水处理管网的自然村个数") != -1][0]
dlws=[i for i in col if i.find("有村级独立污水处理设施的自然村个数") != -1][0]
ssyz=[i for i in col if i.find("设施在有效运转的自然村个数") != -1][0]
wswcl=[i for i in col if i.find("污水未进行处理的自然村个数") != -1][0]
ljfl=[i for i in col if i.find("开展垃圾分类的自然村个数") != -1][0]
cmjz=[i for i in col if i.find("村民集资建设村庄") != -1][0]
tgtl=[i for i in col if i.find("村民义务投工投劳参与村庄建设") != -1][0]
nyss=[i for i in col if i.find("农业设施建设") != -1][0]
jcss=[i for i in col if i.find("村庄基础设施建设") != -1][0]
rjhj=[i for i in col if i.find("人居环境建设") != -1][0]
scrh=[i for i in col if i.find("三产融合相关设施建设") != -1][0]
ggfw=[i for i in col if i.find("公共服务设施建设") != -1][0]
int_list=[
zrc,cymj,jsyd,gdmj,rjgdmj,dhqg,lzgd,zjdmj,jtsr,hjhs,hjrk, czrk,xhs, lrs,
qzwn,ygyn,xwwg,wlrk,fxrk,dsxs,nfzs, wrjz,dlcf,dlys,scscs,xjnf,
yzbjz,zjdsx,bztj,fxnf,jfcb, zlscgs,fzlscgs,dlws,czws, ssyz,wswcl,
ljfl,cmjz,tgtl,nyss,jcss,rjhj,scrh,ggfw]
tf=np.array([list(isnum(df[i])) for i in int_list]).T
df_mat=np.matrix(df[int_list])
df_mat[tf==False]=None
df_mat=pd.DataFrame(df_mat)
df_mat.columns=int_list
df_mat.index=df.index
df[int_list]=df_mat
df[int_list]=df[int_list].astype(float)
#%%
##step 2 去重
df1=df.drop_duplicates([jsyd,cymj,gdmj])
df1=df1.drop_duplicates([zrc,'3.行政村',cymj])
df1=df1.drop_duplicates([zrc,'3.行政村',jsyd])
df1=df1.drop_duplicates([zrc,'3.行政村',gdmj])
df1=df1[(df1[cymj]!=df1[gdmj]) & (df1[cymj]!=df1[jsyd])]
##step 3 形成true和false
#自然村个数
col=df1[zrc]
t1=(col!=0) & (col< np.nanpercentile(col,97.5))
#村域面积
"0207有改动"
col=df1[cymj]
t2=(col!=0) & (col< np.nanpercentile(col,97.5))& (col> np.nanpercentile(col,2.5))
#t2=[False for i in range(len(col))]
#村庄现状建设用地面积
"0207有改动"
col=df1[jsyd]
t3=(col!=0) & (col< np.nanpercentile(col,97.5))& (col> np.nanpercentile(col,2.5))
#t3=[False for i in range(len(col))]
#耕地面积
col=df1[gdmj]
t4=(col!=0) & (col< np.nanpercentile(col,97.5))& (col> np.nanpercentile(col,2.5)) #这个需不需要去掉最小的2.5%?
#人均耕地面积
col=df1[rjgdmj]
t5=(col!=0) & (col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5))
#丢荒弃耕的耕地面积
"discuss"
"0207有改动-只去大值"
col=df1[dhqg]
t6=(col<=df1[gdmj])&(col< np.nanpercentile(col,97.5))
#已流转的耕地面积
"0207有改动-只去大值"
"disc"
col=df1[lzgd]
t7=(col<=df1[gdmj])&(col< np.nanpercentile(col,97.5))
#平均宅基地面积
col=df1[zjdmj]
t8=(col!=0) & (col< np.nanpercentile(col,97.5))& (col> np.nanpercentile(col,2.5))##不考虑?
#村集体总收入
col=df1[jtsr]
t9=(col< np.nanpercentile(col,97.5))
#户籍户数
col=df1[hjhs]
t10=(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5)) & ((df1[hjrk]+1)/(df1[hjhs]+1)>=2)
#户籍人口数
col=df1[hjrk]
t11=(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5)) & ((df1[hjrk]+1)/(df1[hjhs]+1)>=2)
#常住人口数
col=df1[czrk]
t12=(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5))
#要修改
#18岁以下的小孩数
col=df1[xhs]
" 最大、最小值是不是应该剔除? - 是,避免大于1的情况 "
t13=(col<df1[czrk])&(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5))
#60岁以上的老人数
" 0207-有改动"
col=df1[lrs]
t14=(col<df1[czrk])&(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5))
#全职务农的劳动力人数
" 0207-有改动"
col=df1[qzwn]
t15=(col<df1[hjrk])&(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5)) # 最大值要剔除,最小值
#亦工亦农的劳动力人数
" 0207-有改动"
col=df1[ygyn]
t16=col<df1[hjrk] &(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5))
#县外务工的劳动力人数
" 0207-有改动"
col=df1[xwwg]
t17=col<df1[hjrk]&(col< np.nanpercentile(col,97.5))&(col> np.nanpercentile(col,2.5))
#改到这里
#外来流动人口
col=df1[wlrk]
#要再理解一下
t18=(df1[wlrk]<df1[czrk]) &((df1[wlrk]+1)/(df1[hjrk]+1)<2) # 外来人口数要小于户籍人口数的两倍
#上年度返乡人口
col=df1[fxrk]
t19=(df1[fxrk]<df1[czrk]) &((df1[fxrk]+1)/(df1[hjrk]+1)<2)# 返乡人口数要小于户籍人口数的两倍
#电商销售产品的农户
col=df1[dsxs]
t20=col<df1[hjhs]
#村内农房总数
col=df1[nfzs]
t21=(col!=0)&(col< np.nanpercentile(col,97.5))& (col> np.nanpercentile(col,2.5)) &(col>10)& ((df1[hjrk]+1)/(col+1)<20)
#一年以上无人居住的农房数
col=df1[wrjz]
t22=(col<df1[nfzs])&(col< np.nanpercentile(col,97.5))
#有独立厨房的数量
col=df1[dlcf]
t23=(col<df1[nfzs])&(col< np.nanpercentile(col,97.5))
#可洗热水澡的独立浴室的数量
col=df1[dlys]
t24=(col<df1[nfzs])&(col< np.nanpercentile(col,97.5))
#水冲式厕所的数量
col=df1[scscs]
t25=(col<df1[nfzs])&(col< np.nanpercentile(col,97.5))
#去年村内新建的农房数
col=df1[xjnf]
t26=(col<df1[nfzs])&(col< np.nanpercentile(col,97.5))
#使用预制楼板建造的农房栋数
col=df1[yzbjz]
t27=(col<=df1[xjnf])&(col< np.nanpercentile(col,97.5))
#履行了宅基地手续
col=df1[zjdsx]
t28=(col<=df1[xjnf])&(col< np.nanpercentile(col,97.5))
#采用标准图集农房数量
col=df1[bztj]
t29=(col<=df1[xjnf])&(col< np.nanpercentile(col,97.5))
#去年村内翻新的农房数
col=df1[fxnf]
t30=(col<df1[nfzs])&(col< np.nanpercentile(col,97.5))
#去年的建房成本
col=df1[jfcb]
t31=(col!=0) & (col< np.nanpercentile(col,97.5))& (col> np.nanpercentile(col,2.5))
#集中供水,水源为自来水厂的自然村个数
col=df1[zlscgs]
t45=col<=df1[zrc]
#集中供水,水源非自来水厂(如井水等)
col=df1[fzlscgs]
t32=col<=df1[zrc]
#接入城镇污水处理管网的自然村个数
col=df1[czws]
t34=col<=df1[zrc]
#可能会要修改:22年修改了题目,清洗的规则也改了
#有村级独立污水处理设施的自然村个数
col=df1[dlws]
t33 = col<=df1[zrc]
#设施在有效运转的自然村个数
col=df1[ssyz]
t35=(col<=df1[dlws])&(t33)
t33=t35
#污水未进行处理的自然村个数
col=df1[wswcl]
t36=col<=df1[zrc]
#开展垃圾分类的自然村个数
col=df1[ljfl]
t37=col<=df1[zrc]
#村民集资建设村庄
col=df1[cmjz]
t38=(col< np.nanpercentile(col,97.5))&(col<df1[czrk])
#村民义务投工投劳参与村庄建设
col=df1[tgtl]
t39=(col< np.nanpercentile(col,97.5))&(col<df1[czrk])
#农业设施建设
col=df1[nyss]
t40=col< np.nanpercentile(col,97.5)
#村庄基础设施建设
col=df1[jcss]
t41=col< np.nanpercentile(col,97.5)
#人居环境建设
col=df1[rjhj]
t42=col< np.nanpercentile(col,97.5)
#三产融合相关设施建设
col=df1[scrh]
t43=col< np.nanpercentile(col,97.5)
#公共服务设施建设
col=df1[ggfw]
t44=col< np.nanpercentile(col,97.5)
#%%
tfs=[t1,t2,t3,t4,t5,t6,t7,t8,t9,t10,t11,t12,t13,t14,t15,t16,t17,t18,t19,t20,t21,t22,t23,t24,
t25,t26,t27,t28,t29,t30,t31,t45,t32,t33,t34,t35,t36,t37,t38,t39,t40,t41,t42,t43,t44]
tfs=np.array([list(t) for t in tfs]).T
rowsums=sum(tfs.T)/len(int_list)
#如果true比例大于0.7就保留问卷,否则删除整个问卷
select=rowsums>0.7
df1_mat=np.matrix(df1[int_list])
df1_mat[tfs==False]=None
df1_mat=pd.DataFrame(df1_mat)
df1_mat.columns=int_list
df1_mat.index=df1.index
df1[int_list]=df1_mat
df2=df1[select]
# print("剔除掉",1-(len(df2)/len(df1)))
#%%最后一轮筛选,把相关性差的差的筛选掉
" 异常值导致相关性筛选不过的问题-福哥 "
base=df2[int_list[2:]].apply(lambda x:x.sum())
rs=[cor(base,df2[int_list[2:]].iloc[i,:])[0] for i in range(len(df2))]
df3=df2[np.array(rs)>0.3]
date = datetime.datetime.now()
date_2 = str(date.year) + str("%02d"%(date.month)) + str("%02d"%(date.day))
for i in range(40):
pbar.update(1)
result=df3.to_excel(filename.replace(".xlsx","_清洗结果"+date_2+".xlsx"),index=False)
for i in range(30):
pbar.update(1)
li1="原始问卷数: "+str(len(df))+"\n"+"\n"+"有效问卷数: "+str(len(df3))+"\n"+"\n"+"有效问卷率: "+str("%.2f%%" % (round(len(df3)/len(df),4)* 100))
pbar.close()
return li1,result
'''
r>0 代表两变量正相关,r<0代表两变量负相关。
|r|大于等于0.8时,可以认为两变量间高度相关;
|r|大于等于0.5小于0.8时,可以认为两变量中度相关;
|r|大于等于0.3小于0.5时,可以认为两变量低度相关。
|r| 小于0.3说明相关程度弱,基本不相关。
所以,可以说是不相关
'''
def clean_cunmin(infile,counties):
pbar = tqdm(total=100)
#df=pd.read_excel(path)
df=pd.read_excel(infile)
#可以考虑一下问卷数量
#筛选 样本县
#counties=["广东省-阳江市-阳西县","广东省-河源市-连平县"]
for i in range(30):
pbar.update(1)
df = df[df["0-1.省市区/县"].isin(counties)] # 只选择counties的数据
col = list(df.columns) # 列名
zrks=[i for i in col if i.find(".家庭人口总数") != -1][0] # 存储列名
ldls=[i for i in col if i.find(".其中劳动力") != -1][0]
xwwg=[i for i in col if i.find("在县外务工的劳动力人数") != -1][0]
xhs=[i for i in col if i.find(".小孩") != -1][0]
lrs=[i for i in col if i.find(".老人") != -1][0]
nl=[i for i in col if i.find("您的年龄是") != -1][0]
xwwgsr=[i for i in col if i.find("县外务工人员的收入占家庭收入的比重") != -1][0]
nyscsr=[i for i in col if i.find(".其中,农业生产收入") != -1][0]
zygd=[i for i in col if i.find("您家中自有耕地") != -1][0]
sjgz=[i for i in col if i.find("实际耕种土地") != -1][0]
qglh=[i for i in col if i.find("弃耕/撂荒") != -1][0]
zzgd=[i for i in col if i.find("转租给他人") != -1][0]
cbgd=[i for i in col if i.find("承包他人耕地") != -1][0]
zjf=[i for i in col if i.find("村里有多少栋自建房") != -1][0]
wrjz=[i for i in col if i.find("无人居住的有多少栋") != -1][0]
zjfcs=[i for i in col if i.find("住的自建房层数") != -1][0]
jzmj=[i for i in col if i.find("一层建筑(基底)面积") != -1][0]
xtdf=[i for i in col if i.find("夏天平均一个月电费") != -1][0]
dtdf=[i for i in col if i.find("冬天平均一个月电费") != -1][0]
dj=[i for i in col if i.find(".电价") != -1][0]
# %%提取出所有要处理的字段
Clist = [zrks, ldls, xwwg, xhs, lrs, nl, xwwgsr, nyscsr,
zygd, sjgz, qglh, zzgd, cbgd, zjf, wrjz, zjfcs, jzmj,
xtdf, dtdf, dj]
#Clist = [zrks, ldls, xwwg, xhs, lrs, nl]
tf = np.array([list(isnum(df[i])) for i in Clist]).T # 判断每一个数据是否是数字形式,为什么要转置行列呢?
df_mat = np.matrix(df[Clist]) # 把df转成np.matrix,方便后面计算
df_mat[tf == False] = None # 如果有数据不是数字形式,则赋值为none
df_mat = pd.DataFrame(df_mat)
df_mat.columns = Clist
df_mat.index = df.index
df[Clist] = df_mat # 将原始df里的数据换成df_mat经过判别数字类型后的数值
df[Clist] = df[Clist].astype(float)
#需要去重吗?
df1=df.drop_duplicates(df.columns[2:])
#%%
#家庭总人口数
col=df1[zrks]
t1=(col<20)&(col!=0)#家庭人数小于20
#劳动力人数
col=df1[ldls]
t2=col<=df1[zrks]# 劳动力小于人口总数
#县外务工人数
col=df1[xwwg]
t3=col<=df1[ldls] # 县外务工人数小于劳动人口总数
#小孩(仍在读书或16岁以下) (人)
col=df1[xhs]
t4=(col+df1[ldls])<=df1[zrks] # 小孩数+劳动力数量 <= 总人口数
#老人(60岁以上) (人)
col=df1[lrs]
t5=(col+df1[ldls])<=df1[zrks]# 老人数+劳动力数量 <= 总人口数
#您的年龄是 (岁)
col=df1[nl]
t6=(col<86)&(col>17)# 采访村民的年纪应该在17-86岁之间
#县外务工人员的收入占家庭收入的比重
col=df1[xwwgsr]
t7=(col+df1[nyscsr])<=100
#农业生产收入(承包给别人不算)占家庭收入的比重是
col=df1[nyscsr]
t8=(col+df1[xwwgsr])<=100
#您家中自有耕地
col=df1[zygd]
t9=col< np.nanpercentile(col,97.5)# 升序排列下,保留属于前97.5%的数据,即剔除异常大的数值
#实际耕种土地
col=df1[sjgz]
t10=(col+df1[qglh])<=df1[zygd]
# 弃耕/撂荒(不包括轮种)耕地
"0207有改动"
col = df1[qglh]
t11 = ((col + df1[sjgz]) <= df1[zygd]) & (col < np.nanpercentile(col, 97.5)) # 实际耕种土地+弃耕/撂荒土地 <= 家中自有耕地总数
# 转租给他人
"0207有改动"
col = df1[zzgd]
t12 = (col <= df1[zygd]) & (col < np.nanpercentile(col, 97.5)) # 转租耕地 <= 家中自有耕地总数
# 您家中承包他人耕地
col = df1[cbgd]
t13 = (col < np.nanpercentile(col, 97.5)) # 剔除异常大的值
#您家中在村里有多少栋自建房
col=df1[zjf]
t14=(col<11)#10栋
#%%其中无人居住的有多少栋
col=df1[wrjz]
t15=(col<=df1[zjf])#无人居住小于农房数量
#您现在住的自建房层数是
col=df1[zjfcs]
t16=(col<11)#10层
#一层建筑(基底)面积约
col=df1[jzmj]
t17=(col>=20)&(col<=500)
#%%您家夏天平均一个月电费
col=df1[xtdf]
t18=(col>=0)&(col<=500)#电费0-500
#冬天平均一个月电费
col=df1[dtdf]
t19=(col>=0)&(col<=500)#电费0-500
#电价
col=df1[dj]
t20=(col>=0)&(col<=2)#电费0-2
tfs=[t1,t2,t3,t4,t5,t6,t7,t8,t9,t10,t11,t12,t13,t14,t15,t16,t17,t18,t19,t20]
#%%剔除空值大于30%的问卷
tfs=np.array([list(t) for t in tfs]).T
rowsums=sum(tfs.T)/len(Clist)
select=rowsums>0.7
df1_mat=np.matrix(df1[Clist])
df1_mat[tfs==False]=None
df1_mat=pd.DataFrame(df1_mat)
df1_mat.columns=Clist
df1_mat.index=df1.index
df1[Clist]=df1_mat
df2=df1[select]
#%%最后一轮筛选,把相关性差的差的筛选掉
base=df2[Clist[2:]].apply(lambda x:x.sum())
rs=[cor(base,df2[Clist[2:]].iloc[i,:])[0] for i in range(len(df2))]
# sum(np.array(rs)<0.5)
df3=df2[np.array(rs)>0.3]
for i in range(40):
pbar.update(1)
# sum(np.array(rs)<0.5)
date = datetime.datetime.now()
date_2 = str(date.year) + str("%02d"%(date.month)) + str("%02d"%(date.day))
result=df3.to_excel(infile.replace(".xlsx","_清洗结果"+date_2+".xlsx"),index=False)
#print(prov,'finish')
for i in range(30):
pbar.update(1)
#result=df3.to_excel(filename.replace(".xlsx","_清晰结果"+t+".xlsx"))
li1="原始问卷数: "+str(len(df))+"\n"+"\n"+"有效问卷数: "+str(len(df3))+"\n"+"\n"+"有效问卷率: "+str("%.2f%%" % (round(len(df3)/len(df),4)* 100))
return li1,result
if __name__=='__main__':
prov_county={'河北省': ['河北省-石家庄市-平山县', '河北省-唐山市-乐亭县', '河北省-邯郸市-涉县', '河北省-邢台市-柏乡县', '河北省-张家口市-阳原县'],
'山西省': ['山西省-大同市-灵丘县', '山西省-忻州市-神池县', '山西省-忻州市-岢岚县', '山西省-临汾市-曲沃县'], '内蒙古自治区': ['内蒙古自治区-通辽市-开鲁县', '内蒙古自治区-呼伦贝尔市-阿荣旗'], '辽宁省': ['辽宁省-大连市-长海县', '辽宁省-本溪市-本溪满族自治县', '辽宁省-阜新市-彰武县', '辽宁省-铁岭市-西丰县'], '吉林省': ['吉林省-四平市-梨树县', '吉林省-通化市-辉南县', '吉林省-松原市-前郭尔罗斯蒙古族自治县', '吉林省-白城市-通榆县'],
'黑龙江省': ['黑龙江省-齐齐哈尔市-依安县', '黑龙江省-大庆市-林甸县', '黑龙江省-佳木斯市-汤原县', '黑龙江省-绥化市-庆安县'],
'江苏省': ['江苏省-徐州市-沛县', '江苏省-南通市-如东县', '江苏省-连云港市-东海县', '江苏省-盐城市-建湖县', '江苏省-泰州市-兴化市'],
'浙江省': ['浙江省-杭州市-淳安县', '浙江省-宁波市-象山县', '浙江省-温州市-泰顺县', '浙江省-嘉兴市-嘉善县', '浙江省-湖州市-长兴县', '浙江省-湖州市-安吉县', '浙江省-绍兴市-新昌县', '浙江省-金华市-浦江县', '浙江省-衢州市-开化县', '浙江省-衢州市-龙游县', '浙江省-舟山市-嵊泗县', '浙江省-台州市-天台县', '浙江省-丽水市-遂昌县'],
'安徽省': ['安徽省-合肥市-肥东县', '安徽省-合肥市-庐江县', '安徽省-黄山市-黟县', '安徽省-滁州市-来安县', '安徽省-六安市-霍邱县'], '福建省': ['福建省-福州市-永泰县', '福建省-莆田市-仙游县', '福建省-三明市-建宁县', '福建省-泉州市-永春县'],
'江西省': ['江西省-景德镇市-浮梁县', '江西省-赣州市-寻乌县', '江西省-吉安市-泰和县', '江西省-宜春市-靖安县'], '山东省': ['山东省-东营市-广饶县', '山东省-济宁市-汶上县', '山东省-泰安市-东平县', '山东省-临沂市-沂水县', '山东省-聊城市-阳谷县'],
'河南省': ['河南省-洛阳市-嵩县', '河南省-平顶山市-叶县', '河南省-平顶山市-郏县', '河南省-新乡市-封丘县', '河南省-信阳市-罗山县'],
'湖北省': ['湖北省-黄石市-阳新县', '湖北省-十堰市-竹山县', '湖北省-宜昌市-远安县', '湖北省-襄阳市-南漳县', '湖北省-荆门市-沙洋县', '湖北省-孝感市-孝昌县', '湖北省-荆州市-江陵县', '湖北省-黄冈市-罗田县', '湖北省-咸宁市-嘉鱼县', '湖北省-随州市-随县', '湖北省-恩施土家族苗族自治州-宣恩县', '湖北省-省直辖县级行政区划-潜江市'],
'湖南省': ['湖南省-常德市-安乡县', '湖南省-郴州市-汝城县', '湖南省-永州市-宁远县', '湖南省-湘西土家族苗族自治州-凤凰县'],
'广东省': ['广东省-韶关市-翁源县', '广东省-肇庆市-怀集县', '广东省-河源市-连平县', '广东省-阳江市-阳西县'],
'广西壮族自治区': ['广西壮族自治区-桂林市-恭城瑶族自治县', '广西壮族自治区-钦州市-浦北县', '广西壮族自治区-玉林市-兴业县', '广西壮族自治区-百色市-凌云县'], '海南省': ['海南省-省直辖县级行政区划-澄迈县', '海南省-省直辖县级行政区划-琼中黎族苗族自治县'], '重庆市': ['重庆市-县-奉节县', '重庆市-县-石柱土家族自治县'],
'四川省': ['四川省-自贡市-荣县', '四川省-攀枝花市-米易县', '四川省-南充市-仪陇县', '四川省-雅安市-汉源县'], '贵州省': ['贵州省-贵阳市-开阳县', '贵州省-遵义市-桐梓县', '贵州省-安顺市-关岭布依族苗族自治县', '贵州省-黔东南苗族侗族自治州-榕江县'],
'云南省': ['云南省-昆明市-嵩明县', '云南省-曲靖市-罗平县', '云南省-红河哈尼族彝族自治州-建水县', '云南省-大理白族自治州-云龙县'], '陕西省': ['陕西省-渭南市-合阳县', '陕西省-榆林市-清涧县', '陕西省-榆林市-子洲县', '陕西省-安康市-平利县'],
'甘肃省': ['甘肃省-张掖市-高台县', '甘肃省-平凉市-庄浪县', '甘肃省-陇南市-康县', '甘肃省-甘南藏族自治州-卓尼县'], '青海省': ['青海省-西宁市-大通回族土族自治县', '青海省-海东市-循化撒拉族自治县', '青海省-海北藏族自治州-刚察县', '青海省-黄南藏族自治州-尖扎县'],
'宁夏回族自治区': ['宁夏回族自治区-石嘴山市-平罗县', '宁夏回族自治区-吴忠市-盐池县', '宁夏回族自治区-吴忠市-同心县', '宁夏回族自治区-固原市-隆德县', '宁夏回族自治区-固原市-彭阳县'], '新疆维吾尔自治区': ['新疆维吾尔自治区-昌吉回族自治州-吉木萨尔县', '新疆维吾尔自治区-巴音郭楞蒙古自治州-若羌县','新疆维吾尔自治区-喀什地区-伽师县'],
'新疆生产建设兵团': ['新疆生产建设兵团-第一师阿拉尔市-十一团', '新疆生产建设兵团-第六师五家渠市-共青团农场']}
leixing=easygui.buttonbox(msg=" 您好! "+"\n"+"\n"+
" 欢迎使用乡村建设评价问卷数据清洗程序!"+"\n"+"\n"+
" 请注意,文件命名需要带有本省省名,如 “村干部问卷-广东”,"+"\n"+"\n"+
" 请点击选择您需要清洗的问卷:",title="乡村建设评价",choices=("村干部问卷","村民问卷"))
if leixing=="村民问卷":
infile = easygui.fileopenbox()
#infile=r"C:\Users\Administrator\Desktop\2022湖北乡村建设评价\原始问卷\湖北省村民问卷(截至1031).xlsx"
for pro in prov_county.keys():
if infile.find(pro)!=-1:
prov=pro
if prov=='湖北省':
df=pd.read_excel(infile)
xian=df['0-1.省市区/县'].drop_duplicates().values
prov_county['湖北省']=xian
counties=prov_county[prov]
rate,result=clean_cunmin(infile=infile,counties=counties)
title = easygui.msgbox(msg="你已成功清洗完数据。"+"\n"+"\n"+
rate+"\n"+"\n"+
"数据结果与原文件在同一个文件夹。",title="恭喜您!",ok_button="谢谢您!")
if leixing=="村干部问卷":
path = easygui.fileopenbox()
#path=input()
#path="C:/Users/lixun/Desktop/清洗程序/20210827村干部问卷-广东.xlsx"
#path=r"J:\cyf\2022\2022全国乡村建设评价\问卷清洗代码\村干部问卷\湖北省村干部问卷 (2022-8-11).xlsx"
provfile=path.split("\\")[-1]
for pro in prov_county.keys():
if provfile.find(pro)!=-1:
prov=pro
if prov=='湖北省':
df=pd.read_excel(path)
xian=df['1.省市县/区'].drop_duplicates().values
prov_county['湖北省']=xian
counties=prov_county[prov]
rate,result=clear_ganbu(filename=path,counties=counties)
title = easygui.msgbox(msg="你已成功清洗完数据。"+"\n"+"\n"+
rate+"\n"+"\n"+
"数据结果与原文件在同一个文件夹。",title="恭喜您!",ok_button="谢谢您!")