一文学会用Pandas清洗数据！

戎易大数据

已认证账号

从事数据分析工作7年，16年开始使用python，近几年Python已然成为目前热度最高的数据分析工具，上一期分享了Python函数以及数据分析程序库相关内容，刚兴趣可以去看下。

戎易大数据：Python函数以及数据分析程序库

本篇重点为大家讲解用Pandas清洗数据，包括清洗空值、清洗格式错误数据、清洗错误数据、清洗重复数据等内容。

在进行数据分析和建模的过程中，数据分析师大量的时间会花在数据准备上：加载、清理、转换和重新排列，这样的工作占用了分析师80%以上的时间。

很多数据集拿到手会存在数据缺失、数据格式错误、错误数据或重复数据的情况，要想数据分析更加准确，就需要对这些没有用的数据进行处理。

Pandas可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征，今天就手把手教大家，如何利用 Pandas包来进行数据清洗。

大家可以把数据下载下来，跟着进行练习。

数据下载：关注我回复关键字 【Pandas】 进行下载。

上表包含四种空数据：

n/a
NA
—
na

01、Pandas清洗空值

在实际数据处理时，数据量是非常大的，python导入数据后，我们不可能去查验每一行是否存在空值，一般是使用 info() 函数来查看数据的整体情况，哪列数据有缺失，可以直接看出来，然后根据这列缺失情况以及与分析主题相关性，再来决定是删除缺失值或者进行填充。

如果我们要 删除包含空字段的行 ，可以使用 dropna() ，语法格式如下：

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。

可以通过 isnull() 判断各个单元格是否为空。

示例：

importpandas as pd
df = pd.read_csv('property-data.csv')
print(df['NUM_BEDROOMS'])
print(df['NUM_BEDROOMS'].isnull())

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。

示例：

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())

输出结果如下：

接下来演示删除包含空数据的行。

示例：

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

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。

如果要修改源数据 DataFrame, 可以使用 inplace = True 参数。

示例：

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

输出结果如下：

我们也可以移除指定列有空值的行。

示例：

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'])
print(df)

输出结果如下：

我们也可以 fillna() 方法来替换一些空字段。

示例：

使用12345替换空字段：

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

输出结果如下：

我们也可以指定某一个列来替换数据。

示例：

使用 12345 替换 PID 为空数据：

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

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）。

示例：

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)
print(df)

输出结果如下：

红框为计算的均值替换来空单元格。

示例：

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)
print(df)

输出结果如下：

红框为计算的中位数替换来空单元格。

示例：

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)
print(df)

输出结果如下：

红框为计算的众数替换来空单元格。

02、Pandas清洗格式错误数据

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。

格式化日期。

示例：

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'])
print(df)

输出结果如下：

03、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。

替换错误年龄的数据。

示例：

import pandas as pd
person = {
 "name": ['Google', 'Rybi' , '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)

输出结果如下：

也可以设置条件语句。

示例：

将 age 大于 120 的设置为 120：

import pandas as pd
person = {
 "name": ['Google', 'Rybi' , '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)

输出结果如下：

也可以将错误数据的行删除。

示例：

将 age 大于 120 的删除：

import pandas as pd
person = {
 "name": ['Google', 'Rybi' , '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)

输出结果如下：

04、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。

示例：

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

输出结果如下：

删除重复数据，可以直接使用drop_duplicates() 方法。

示例：

import pandas as pd
persons = {