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，如果要对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。
在这个教程中，我们将利用 Pandas包来进行数据清洗。
本文使用到的测试数据 property-data.csv 如下：
上表包含了四种空数据：
n/a
NA
—
na
Pandas 清洗空值
如果我们要删除包含空字段的行，可以使用 dropna() 方法，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。
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：
-
0
3
-
1
3
-
2 NaN
-
3
1
-
4
3
-
5 NaN
-
6
2
-
7
1
-
8 na
-
Name: NUM_BEDROOMS, dtype:
object
-
0
False
-
1
False
-
2
True
-
3
False
-
4
False
-
5
True
-
6
False
-
7
False
-
8
False
-
Name: NUM_BEDROOMS, dtype:
bool
-
-
Process finished
with exit code
0
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：
-
0
3.0
-
1
3.0
-
2 NaN
-
3
1.0
-
4
3.0
-
5 NaN
-
6
2.0
-
7
1.0
-
8 NaN
-
Name: NUM_BEDROOMS, dtype: float64
-
0
False
-
1
False
-
2
True
-
3
False
-
4
False
-
5
True
-
6
False
-
7
False
-
8
True
-
Name: NUM_BEDROOMS, dtype:
bool
-
-
Process finished
with exit code
0
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：
-
PID ST_NUM ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
-
0
100001000.0
104.0 PUTNAM Y
3
1
1000
-
1
100002000.0
197.0 LEXINGTON N
3
1.5 --
-
8
100009000.0
215.0 TREMONT Y na
2
1800
-
-
Process finished
with exit code
0
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：
-
PID ST_NUM ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
-
0
100001000.0
104.0 PUTNAM Y
3
1
1000
-
1
100002000.0
197.0 LEXINGTON N
3
1.5 --
-
8
100009000.0
215.0 TREMONT Y na
2
1800
-
-
Process finished
with exit code
0
我们也可以移除指定列有空值的行：
-
# 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：
-
PID ST_NUM ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
-
0
100001000.0
104.0 PUTNAM Y
3
1
1000
-
1
100002000.0
197.0 LEXINGTON N
3
1.5 --
-
3
100004000.0
201.0 BERKELEY
12
1 NaN
700
-
4 NaN
203.0 BERKELEY Y
3
2
1600
-
5
100006000.0
207.0 BERKELEY Y NaN
1
800
-
7
100008000.0
213.0 TREMONT Y
1
1 NaN
-
8
100009000.0
215.0 TREMONT Y na
2
1800
-
-
Process finished
with exit code
0
我们也可以 fillna() 方法来替换一些空字段：
-
# 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：
-
PID ST_NUM ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
-
0
100001000.0
104.0 PUTNAM Y
3
1
1000
-
1
100002000.0
197.0 LEXINGTON N
3
1.5 --
-
2
100003000.0
12345.0 LEXINGTON N
12345
1
850
-
3
100004000.0
201.0 BERKELEY
12
1
12345
700
-
4
12345.0
203.0 BERKELEY Y
3
2
1600
-
5
100006000.0
207.0 BERKELEY Y
12345
1
800
-
6
100007000.0
12345.0 WASHINGTON
12345
2 HURLEY
950
-
7
100008000.0
213.0 TREMONT Y
1
1
12345
-
8
100009000.0
215.0 TREMONT Y na
2
1800
-
-
Process finished
with exit code
0
我们也可以指定某一个列来替换数据：
-
# 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：
-
PID ST_NUM ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
-
0
100001000.0
104.0 PUTNAM Y
3
1
1000
-
1
100002000.0
197.0 LEXINGTON N
3
1.5 --
-
2
100003000.0 NaN LEXINGTON N NaN
1
850
-
3
100004000.0
201.0 BERKELEY
12
1 NaN
700
-
4
12345.0
203.0 BERKELEY Y
3
2
1600
-
5
100006000.0
207.0 BERKELEY Y NaN
1
800
-
6
100007000.0 NaN WASHINGTON NaN
2 HURLEY
950
-
7
100008000.0
213.0 TREMONT Y
1
1 NaN
-
8
100009000.0
215.0 TREMONT Y na
2
1800
-
-
Process finished
with exit code
0
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）。
-
# 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：
-
# 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：
使用 mode() 方法计算列的众数并替换空单元格与上面方法类似。
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'])
-
-
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
-
-
Process finished
with exit code
0
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：
-
# 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：
-
# 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
参考：https://www.runoob.com/pandas/pandas-cleaning.html
转载：https://blog.csdn.net/weixin_64338372/article/details/128662621