Pandas 数据清洗

数据清洗是对一些没有用的数据进行处理的过程。

很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要使数据分析更加准确，就需要对这些没有用的数据进行处理。

数据清洗与预处理的常见步骤：

缺失值处理 ：识别并填补缺失值，或删除含缺失值的行/列。

重复数据处理 ：检查并删除重复数据，确保每条数据唯一。

异常值处理 ：识别并处理异常值，如极端值、错误值。

数据格式转换 ：转换数据类型或进行单位转换，如日期格式转换。

标准化与归一化 ：对数值型数据进行标准化（如 Z-score）或归一化（如 Min-Max）。

类别数据编码 ：将类别变量转换为数值形式，常见方法包括 One-Hot 编码和标签编码。

文本处理 ：对文本数据进行清洗，如去除停用词、词干化、分词等。

数据抽样 ：从数据集中抽取样本，或通过过采样/欠采样处理类别不平衡。

特征工程 ：创建新特征、删除不相关特征、选择重要特征等。

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

参数说明：

• axis：默认为 0 ，表示逢空值剔除整行，如果设置参数 axis＝1 表示逢空值去掉整列。
• how：默认为 'any' 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how='all' 一行（或列）都是 NA 才去掉这整行。
• thresh：设置需要多少非空值的数据才可以保留下来的。
• subset：设置想要检查的列。如果是多个列，可以使用列名的 list 作为参数。
• inplace：如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据。
我们可以通过 isnull() 判断各个单元格是否为空。
import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
print ( df [ 'NUM_BEDROOMS' ] )
print ( df [ 'NUM_BEDROOMS' ] . isnull ( ) )


以上实例输出结果如下：

以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据，na 不是空数据，不符合我们要求，我们可以指定空数据类型：
import pandas as pd
missing_values = [ "n/a" , "na" , "--" ]
df = pd. read_csv ( 'property-data.csv' , na_values = missing_values )
print ( df [ 'NUM_BEDROOMS' ] )
print ( df [ 'NUM_BEDROOMS' ] . isnull ( ) )


以上实例输出结果如下：

接下来的实例演示了删除包含空数据的行。
import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
new_df = df. dropna ( )
print ( new_df. to_string ( ) )


以上实例输出结果如下：

注意： 默认情况下，dropna() 方法返回一个新的 DataFrame，不会修改源数据。

如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
df. dropna ( inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下：

我们也可以移除指定列有空值的行：

实例

移除 ST_NUM 列中字段值为空的行：

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
df. dropna ( subset = [ 'ST_NUM' ] , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下：

我们也可以 fillna() 方法来替换一些空字段：

实例

使用 12345 替换空字段：

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
df. fillna ( 12345 , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下：

我们也可以指定某一个列来替换数据：

实例

使用 12345 替换 PID 为空数据：

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
df [ 'PID' ] . fillna ( 12345 , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下：

替换空单元格的常用方法是计算列的均值、中位数值或众数。

Pandas使用 mean() 、 median() 和 mode() 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）。

实例

使用 mean() 方法计算列的均值并替换空单元格：

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
x = df [ "ST_NUM" ] . mean ( )
df [ "ST_NUM" ] . fillna ( x , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下，红框为计算的均值替换来空单元格：

实例

使用 median() 方法计算列的中位数并替换空单元格：

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
x = df [ "ST_NUM" ] . median ( )
df [ "ST_NUM" ] . fillna ( x , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下，红框为计算的中位数替换来空单元格：

实例

使用 mode() 方法计算列的众数并替换空单元格：

import pandas as pd
df = pd. read_csv ( 'property-data.csv' )
x = df [ "ST_NUM" ] . mode ( )
df [ "ST_NUM" ] . fillna ( x , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下，红框为计算的众数替换来空单元格：

Pandas 清洗格式错误数据

数据格式错误的单元格会使数据分析变得困难，甚至不可能。

我们可以通过包含空单元格的行，或者将列中的所有单元格转换为相同格式的数据。

以下实例会格式化日期：

import pandas as pd
# 第三个日期格式错误
data = {
"Date" : [ '2020/12/01' , '2020/12/02' , '20201226' ] ,
"duration" : [ 50 , 40 , 45 ]
df = pd. DataFrame ( data , index = [ "day1" , "day2" , "day3" ] )
df [ 'Date' ] = pd. to_datetime ( df [ 'Date' ] , format = 'mixed' )
print ( df. to_string ( ) )


以上实例输出结果如下：

Date duration day1 2020-12-01 50 day2 2020-12-02 40 day3 2020-12-26 45

Pandas 清洗错误数据

数据错误也是很常见的情况，我们可以对错误的数据进行替换或移除。

以下实例会替换错误年龄的数据：

import pandas as pd
person = {
"name" : [ 'Google' , 'Runoob' , 'Taobao' ] ,
"age" : [ 50 , 40 , 12345 ] # 12345 年龄数据是错误的
df = pd. DataFrame ( person )
df. loc [ 2 , 'age' ] = 30 # 修改数据
print ( df. to_string ( ) )


以上实例输出结果如下：

name age 0 Google 50 1 Runoob 40 2 Taobao 30 也可以设置条件语句：

实例

将 age 大于 120 的设置为 120:

import pandas as pd
person = {
"name" : [ 'Google' , 'Runoob' , 'Taobao' ] ,
"age" : [ 50 , 200 , 12345 ]
df = pd. DataFrame ( person )
for x in df. index :
if df. loc [ x , "age" ] > 120 :
df. loc [ x , "age" ] = 120
print ( df. to_string ( ) )


以上实例输出结果如下：

name age 0 Google 50 1 Runoob 120 2 Taobao 120 也可以将错误数据的行删除：

实例

将 age 大于 120 的删除:

import pandas as pd
person = {
"name" : [ 'Google' , 'Runoob' , 'Taobao' ] ,
"age" : [ 50 , 40 , 12345 ] # 12345 年龄数据是错误的
df = pd. DataFrame ( person )
for x in df. index :
if df. loc [ x , "age" ] > 120 :
df. drop ( x , inplace = True )
print ( df. to_string ( ) )


以上实例输出结果如下：

name age 0 Google 50 1 Runoob 40

Pandas 清洗重复数据

如果我们要清洗重复数据，可以使用 duplicated() 和 drop_duplicates() 方法。

如果对应的数据是重复的， duplicated() 会返回 True，否则返回 False。

import pandas as pd
person = {
"name" : [ 'Google' , 'Runoob' , 'Runoob' , 'Taobao' ] ,
"age" : [ 50 , 40 , 40 , 23 ]
df = pd. DataFrame ( person )
print ( df. duplicated ( ) )


以上实例输出结果如下：

0 False 1 False 2 True 3 False dtype: bool

删除重复数据，可以直接使用 drop_duplicates() 方法。

import pandas as pd
persons = {
"name" : [ 'Google' , 'Runoob' , 'Runoob' , 'Taobao' ] ,
"age" : [ 50 , 40 , 40 , 23 ]
df = pd. DataFrame ( persons )
df. drop_duplicates ( inplace = True )
print ( df )


以上实例输出结果如下：

name age 0 Google 50 1 Runoob 40 3 Taobao 23 常用方法及说明

数据清洗与预处理的常见方法：

操作	方法/步骤	说明	常用函数/方法
缺失值处理	填充缺失值	使用指定的值（如均值、中位数、众数等）填充缺失值。	df.fillna(value)
	删除缺失值	删除包含缺失值的行或列。	df.dropna()
重复数据处理	删除重复数据	删除 DataFrame 中的重复行。	df.drop_duplicates()
异常值处理	异常值检测（基于统计方法）	通过 Z-score 或 IQR 方法识别并处理异常值。	自定义函数（如基于 Z-score 或 IQR）
	替换异常值	使用合适的值（如均值或中位数）替换异常值。	自定义函数（如替换异常值）
数据格式转换	转换数据类型	将数据类型从一个类型转换为另一个类型，如将字符串转换为日期。	df.astype()
	日期时间格式转换	转换字符串或数字为日期时间类型。	pd.to_datetime()
标准化与归一化	标准化	将数据转换为均值为0，标准差为1的分布。	StandardScaler()
	归一化	将数据缩放到指定的范围（如 [0, 1]）。	MinMaxScaler()
类别数据编码	标签编码	将类别变量转换为整数形式。	LabelEncoder()
	独热编码（One-Hot Encoding）	将每个类别转换为一个新的二进制特征。	pd.get_dummies()
文本数据处理	去除停用词	从文本中去除无关紧要的词，如 "the" 、 "is" 等。	自定义函数（基于 nltk 或 spaCy ）
	词干化与词形还原	提取词干或恢复单词的基本形式。	nltk.stem.PorterStemmer()
	分词	将文本分割成单词或子词。	nltk.word_tokenize()
数据抽样	随机抽样	从数据中随机抽取一定比例的样本。	df.sample()
	上采样与下采样	通过过采样（复制少数类样本）或欠采样（减少多数类样本）来平衡数据集中的类别分布。	SMOTE() （上采样）； RandomUnderSampler() （下采样）
特征工程	特征选择	选择对目标变量有影响的特征，去除冗余或无关特征。	SelectKBest()
	特征提取	从原始数据中创建新的特征，提升模型的预测能力。	PolynomialFeatures()
	特征缩放	对数值特征进行缩放，使其具有相同的量级。	MinMaxScaler() 、 StandardScaler()
类别特征映射	特征映射	将类别变量映射为对应的数字编码。	自定义映射函数
数据合并与连接	合并数据	将多个 DataFrame 按照某些列合并在一起，支持内连接、外连接、左连接、右连接等。	pd.merge()
	连接数据	将多个 DataFrame 进行行或列拼接。	pd.concat()
数据重塑	数据透视表	将数据根据某些维度进行分组并计算聚合结果。	pd.pivot_table()
	数据变形	改变数据的形状，如从长格式转为宽格式或从宽格式转为长格式。	df.melt() 、 df.pivot()
数据类型转换与处理	字符串处理	对字符串数据进行处理，如去除空格、转换大小写等。	str.replace() 、 str.upper() 等
	分组计算	按照某个特征分组后进行聚合计算。	df.groupby()
缺失值预测填充	使用模型预测填充缺失值	使用机器学习模型（如回归模型）预测缺失值，并填充缺失数据。	自定义模型（如 sklearn.linear_model.LinearRegression ）
时间序列处理	时间序列缺失值填充	使用时间序列的方法（如前向填充、后向填充）填充缺失值。	df.fillna(method='ffill')
	滚动窗口计算	使用滑动窗口进行时间序列数据的统计计算（如均值、标准差等）。	df.rolling(window=5).mean()
数据转换与映射	数据映射与替换	将数据中的某些值替换为其他值。	df.replace()

填充缺失值：

import pandas as pd
# 示例数据
data = { 'Name' : [ 'Alice' , 'Bob' , 'Charlie' , None ] ,
'Age' : [ 25 , 30 , None , 35 ] ,
'City' : [ 'New York' , 'Los Angeles' , 'Chicago' , 'Houston' ] }
df = pd. DataFrame ( data )
# 填充缺失的 "Age" 为均值
df [ 'Age' ] . fillna ( df [ 'Age' ] . mean ( ) , inplace = True )
print ( df )
Name Age City 0 Alice 25.0 New York 1 Bob 30.0 Los Angeles 2 Charlie 30.0 Chicago 3 None 35.0 Houston

独热编码：

import pandas as pd
# 示例数据
data = { 'City' : [ 'New York' , 'Los Angeles' , 'Chicago' , 'Houston' ] }
df = pd. DataFrame ( data )
# 对 "City" 列进行 One-Hot 编码
df_encoded = pd. get_dummies ( df , columns = [ 'City' ] )
print ( df_encoded )
City_Chicago City_Houston City_Los Angeles City_New York 0 0 0 0 1 1 0 0 1 0 2 1 0 0 0 3 0 1 0 0 from sklearn. preprocessing import StandardScaler
import pandas as pd
# 示例数据
data = { 'Age' : [ 25 , 30 , 35 , 40 , 45 ] ,
'Salary' : [ 50000 , 60000 , 70000 , 80000 , 90000 ] }
df = pd. DataFrame ( data )
# 标准化数据
scaler = StandardScaler ( )
df_scaled = scaler. fit_transform ( df )
print ( df_scaled )
[[-1.41421356 -1.41421356] [-0.70710678 -0.70710678] [ 0. 0. ] [ 0.70710678 0.70710678] [ 1.41421356 1.41421356]]

• HTML / CSS
  • HTML 教程
  • HTML5 教程
  • CSS 教程
  • CSS3 教程
  • Tailwind CSS 教程
  • Bootstrap4 教程
  • Bootstrap5 教程
  • Font Awesome 教程
  • Foundation 教程
• JavaScript
  • JavaScript 教程
  • HTML DOM 教程
  • jQuery 教程
  • AngularJS 教程
  • AngularJS2 教程
  • Vue.js 教程
  • Vue3 教程
  • React 教程
  • Next.js 教程
  • TypeScript 教程
  • jQuery UI 教程
  • jQuery EasyUI 教程
  • Node.js 教程
  • AJAX 教程
  • JSON 教程
  • Echarts 教程
  • Chart.js 教程
  • Highcharts 教程
  • Google 地图 教程
• 服务端
  • Python 教程
  • Python2.x 教程
  • Linux 教程
  • Docker 教程
  • Ruby 教程
  • Java 教程
  • C 教程
  • C++ 教程
  • Perl 教程
  • Servlet 教程
  • JSP 教程
  • Lua 教程
  • Rust 教程
  • Zig 教程
  • Scala 教程
  • Go 教程
  • PHP 教程
  • 数据结构与算法
  • Django 教程
  • FastAPI 教程
  • Flask 教程
  • Pillow 教程
  • Zookeeper 教程
  • 设计模式
  • 正则表达式
  • Maven 教程
  • CMake 教程
  • Verilog 教程
  • ASP 教程
  • AppML 教程
  • VBScript 教程
• 数据库
  • SQL 教程
  • MySQL 教程
  • PostgreSQL 教程
  • SQLite 教程
  • MongoDB 教程
  • Redis 教程
  • Memcached 教程
• AI & 数据分析
  • Python 教程
  • NumPy 教程
  • Pandas 教程
  • Matplotlib 教程
  • Scipy 教程
  • Pytorch 教程
  • Ollama 教程
  • 机器 教程
  • scikit-learn 教程
  • R 教程
  • OpenCV 教程
  • Selenium 教程
  • Julia 教程
  • 量化交易
  • Dash 教程
• 移动端
  • Android 教程
  • Swift 教程
  • jQuery Mobile 教程
  • ionic 教程
  • Kotlin 教程
• 开发工具
  • VS Code 教程
  • PyCharm 教程
  • Swagger 教程
  • RESTful API 教程
  • Eclipse 教程
  • Git 教程
  • Svn 教程
  • Markdown 教程
• XML 教程
  • XML 教程
  • DTD 教程
  • XML DOM 教程
  • XSLT 教程
  • XPath 教程
  • XQuery 教程
  • XLink 教程
  • XPointer 教程
  • XML Schema 教程
  • XSL-FO 教程
  • SVG 教程
• ASP.NET
  • ASP.NET 教程
  • C# 教程
  • Web Pages 教程
  • Razor 教程
  • MVC 教程
  • Web Forms 教程
• Web Service
  • Web Service 教程
  • WSDL 教程
  • SOAP 教程
  • RSS 教程
  • RDF 教程
• 网站建设
  • HTTP 教程
  • 网站建设指南
  • 浏览器信息
  • 网络协议
  • 网站主机教程
  • TCP/IP 教程
  • W3C 教程
  • 网站品质