使用Python怎么清洗數據

今天就跟大家聊聊有關使用Python怎么清洗數據，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

下面我們用一副待清洗的撲克牌作為示例，假設它保存在代碼文件相同的目錄下，在 Jupyter Lab 環(huán)境中運行以下代碼：

import numpy as np import pandas as pd  # 設置最多顯示 10 行 pd.set_option('max_rows', 10)  # 從 Excel 文件中讀取原始數據 df = pd.read_excel(     '待清洗的撲克牌數據集.xlsx' )  df

返回結果如下：

這幅待清洗的撲克牌數據集，有一些異常情況，包括：大小王的花色是缺失的，有兩張重復的黑桃:spades: A，還有一張異常的 黑桃 :spades:  30。

1. 如何查找異常?

在正式開始清洗數據之前，往往需要先把異常數據找出來，觀察異常數據的特征，然后再決定清洗的方法。

# 查找「花色」缺失的行 df[df.花色.isnull()]

# 查找完全重復的行 
df[df.duplicated()] 

# 查找某一列重復的行 
df[df.編號.duplicated()] 

# 查找牌面的所有唯一值 
df.牌面.unique() 

返回結果：

array(['大王', '小王', 'A', '30', 4, 5, 6, 7, 8, 9, 10, 'J', 'Q', 'K', 2, 3],  dtype=object)

根據常識可以判斷，牌面為 30 的是異常值。

# 查找「牌面」包含 30 的異常值 df[df.牌面.isin(['30'])]

# 查找王牌，模糊匹配 df[df.牌面.str.contains(     '王', na=False )]

# 查找編號在 1 到 5 之間的行 df[df.編號.between(1, 5)]

查找某個區(qū)間，也可以用邏輯運算的方法來實現(xiàn)：

# 查找編號在 1 到 5 之間的行 df[(df.編號 >= 1)    & (df.編號 <= 5)]

其中「 & 」代表必須同時滿足兩邊的條件，也就是「且」的意思。

還可以用下面等價的方法：

# 查找編號在 1 到 5 之間的行 df[~((df.編號 < 1)      | (df.編號 > 5))]

其中「 | 」代表兩邊的條件滿足一個即可，也就是「或」的意思，「 ~ 」代表取反，也就是「非」的意思。

2. 如何排除重復?

使用 drop_duplicates() 函數，在排除重復之后，會得到一個新的數據框。

# 排除完全重復的行，默認保留第一行 df.drop_duplicates()

返回結果如下：

如果想要改變原來的數據框，有兩種方法，一種方法，是增加 inplace 參數：

# 排除重復后直接替換原來的數據框 df.drop_duplicates(     inplace=True )

另一種方法，是把得到的結果，重新賦值給原來的數據框：

# 排除重復后，重新賦值給原來的數據框 df = df.drop_duplicates()

如果想要按某一列排除重復的數據，那么指定相應的列名即可。

# 按某一列排除重復，默認保留第一行 df.drop_duplicates(['花色'])

如果想要保留重復的最后一行，那么需要指定 keep 參數。

# 按某一列排除重復，并保留最后一行 df.drop_duplicates(     ['花色'], keep='last' )

從上面兩個返回結果的編號可以看出，不同方法的差異情況。

3. 如何刪除缺失?

使用 dropna() 函數，默認刪除包含缺失的行。為了更加簡單易懂，我們用撲克牌中不重復的花色作為示例。

# 不重復的花色 color = df.drop_duplicates(     ['花色'] )  color

# 刪除包含缺失值的行 color.dropna()

如果想要刪除整行全部為空的行，那么需要指定 how 參數。

# 刪除全部為空的行 color.dropna(how='all')

如果想要刪除包含缺失值的列，那么需要指定 axis 參數。

# 刪除包含缺失值的列 color.dropna(axis=1)

可以看到，包含缺失值的「花色」這一列被刪除了。

4. 如何補全缺失?

使用 fillna() 函數，可以將缺失值填充為我們指定的值。

# 補全缺失值 color.fillna('Joker')

可以看到，原來的 NaN 被填充為 Joker，在實際工作的應用中，通常填充為 0，也就是說， fillna(0) 是比較常見的用法。

如果想要使用臨近的值來填充，那么需要指定 method 參數，例如：

# 用后面的值填充 color.fillna(method='bfill')

可以看到，原來第一行的 NaN 替換成了第二行的「黑桃:spades:」。

其中 method 還有一些其他的可選參數，詳情可以查看相關的幫助文檔。

還有一種按字典填充的方法。為了讓下面的演示更加直觀易懂，我們先把索引為 2 的牌面設置為缺失值：

# 為了演示，先指定一個缺失值 color.loc[2, '牌面'] = np.nan  color

# 按列自定義補全缺失值 color.fillna(     {'花色': 0, '牌面': 1} )

可以看出，不同列的缺失值，可以填充為不同的值，花色這一列填充為 0，牌面這一列填充為 1，我在圖中分別用紅色的方框標記出來了。

5. 應用案例

下面 我們用 Python 代碼，把這幅待清洗的撲克牌數據集，變成一副正常的撲克牌數據。

import numpy as np import pandas as pd  # 設置最多顯示 10 行 pd.set_option('max_rows', 10)  # 從 Excel 文件中讀取原始數據 df = pd.read_excel(     '待清洗的撲克牌數據集.xlsx' )  # 補全缺失值 df = df.fillna('Joker')  # 排除重復值 df = df.drop_duplicates()  # 修改異常值 df.loc[4, '牌面'] = 3  # 增加一張缺少的牌 df = df.append(     {'編號': 4,      '花色': '黑桃♠',      '牌面': 2},     ignore_index=True )  # 按編號排序 df = df.sort_values('編號')  # 重置索引 df = df.reset_index()  # 刪除多余的列 df = df.drop(     ['index'], axis=1 )  # 把清洗好的數據保存到 Excel 文件 df.to_excel(     '完成清洗的撲克牌數據.xlsx',     index=False )  df

看完上述內容，你們對使用Python怎么清洗數據有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業(yè)資訊頻道，感謝大家的支持。