如何用 Python 清洗数据？

 

0. 序言

 

在做数据分析之前，我们首先要明确数据分析的目标，然后应用数据分析的思维，对目标进行细分，再采取相应的行动。

 

我们可以把数据分析细分为以下 8 个步骤：

 

（1）读取

（2）清洗

（3）操作

（4）转换

（5）整理

（6）分析

（7）展现

（8）报告

 

在《如何用 Python 读取数据？》这篇文章中，我们学习了从 5 种不同的地方读取数据的方法，接下来，我们将利用其中的一种方法，从  Excel 文件中读取原始数据，然后利用 Python 对它进行清洗。

 

下面我们用一副待清洗的扑克牌作为示例，假设它保存在代码文件相同的目录下，在 Jupyter Lab 环境中运行以下代码：

import numpy as npimport pandas as pd# 设置最多显示 10 行pd.set_option("max_rows", 10)# 从 Excel 文件中读取原始数据df = pd.read_excel(    "待清洗的扑克牌数据集.xlsx")df

返回结果如下：

这幅待清洗的扑克牌数据集，有一些异常情况，包括：大小王的花色是缺失的，有两张重复的黑桃♠️ A，还有一张异常的黑桃♠️ 30。

 

1. 如何查找异常？

 

在正式开始清洗数据之前，往往需要先把异常数据找出来，观察异常数据的特征，然后再决定清洗的方法。

# 查找「花色」缺失的行df[df.花色.isnull()]

# 查找完全重复的行df[df.duplicated()]

# 查找某一列重复的行df[df.编号.duplicated()]

# 查找牌面的所有唯一值df.牌面.unique()

返回结果：

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

 

根据常识可以判断，牌面为 30 的是异常值。

# 查找「牌面」包含 30 的异常值df[df.牌面.isin(["30"])]

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

# 查找编号在 1 到 5 之间的行df[df.编号.between(1, 5)]

查找某个区间，也可以用逻辑运算的方法来实现：

# 查找编号在 1 到 5 之间的行df[(df.编号 >= 1)   & (df.编号 <= 5)]

其中「 & 」代表必须同时满足两边的条件，也就是「且」的意思。

 

还可以用下面等价的方法：

# 查找编号在 1 到 5 之间的行df[~((df.编号 < 1)     | (df.编号 > 5))]

其中「 | 」代表两边的条件满足一个即可，也就是「或」的意思，「 ~ 」代表取反，也就是「非」的意思。

 

2. 如何排除重复？

 

使用 drop_duplicates() 函数，在排除重复之后，会得到一个新的数据框。

# 排除完全重复的行，默认保留第一行df.drop_duplicates()

返回结果如下：

 

如果想要改变原来的数据框，有两种方法，一种方法，是增加 inplace 参数：

# 排除重复后直接替换原来的数据框df.drop_duplicates(    inplace=True)

另一种方法，是把得到的结果，重新赋值给原来的数据框：

# 排除重复后，重新赋值给原来的数据框df = df.drop_duplicates()

如果想要按某一列排除重复的数据，那么指定相应的列名即可。

# 按某一列排除重复，默认保留第一行df.drop_duplicates(["花色"])

如果想要保留重复的最后一行，那么需要指定 keep 参数。

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

从上面两个返回结果的编号可以看出，不同方法的差异情况。

 

3. 如何删除缺失？

 

使用 dropna() 函数，默认删除包含缺失的行。为了更加简单易懂，我们用扑克牌中不重复的花色作为示例。

# 不重复的花色color = df.drop_duplicates(    ["花色"])color

# 删除包含缺失值的行color.dropna()

如果想要删除整行全部为空的行，那么需要指定 how 参数。

# 删除全部为空的行color.dropna(how="all")

如果想要删除包含缺失值的列，那么需要指定 axis 参数。

# 删除包含缺失值的列color.dropna(axis=1)

可以看到，包含缺失值的「花色」这一列被删除了。

4. 如何补全缺失？

 

使用 fillna() 函数，可以将缺失值填充为我们指定的值。

# 补全缺失值color.fillna("Joker")

可以看到，原来的 NaN 被填充为 Joker，在实际工作的应用中，通常填充为 0，也就是说， fillna(0) 是比较常见的用法。

 

如果想要使用临近的值来填充，那么需要指定 method 参数，例如：

# 用后面的值填充color.fillna(method="bfill")

可以看到，原来第一行的 NaN 替换成了第二行的「黑桃♠️」。

 

其中 method 还有一些其他的可选参数，详情可以查看相关的帮助文档。

 

还有一种按字典填充的方法。为了让下面的演示更加直观易懂，我们先把索引为 2 的牌面设置为缺失值：

# 为了演示，先指定一个缺失值color.loc[2, "牌面"] = np.nancolor

# 按列自定义补全缺失值color.fillna(    {"花色": 0, "牌面": 1})

可以看出，不同列的缺失值，可以填充为不同的值，花色这一列填充为 0，牌面这一列填充为 1，我在图中分别用红色的方框标记出来了。

 

5. 应用案例

下面我们用 Python 代码，把这幅待清洗的扑克牌数据集，变成一副正常的扑克牌数据。

import numpy as npimport pandas as pd# 设置最多显示 10 行pd.set_option("max_rows", 10)# 从 Excel 文件中读取原始数据df = pd.read_excel(    "待清洗的扑克牌数据集.xlsx")# 补全缺失值df = df.fillna("Joker")# 排除重复值df = df.drop_duplicates()# 修改异常值df.loc[4, "牌面"] = 3# 增加一张缺少的牌df = df.append(    {"编号": 4,     "花色": "黑桃♠",     "牌面": 2},    ignore_index=True)# 按编号排序df = df.sort_values("编号")# 重置索引df = df.reset_index()# 删除多余的列df = df.drop(    ["index"], axis=1)# 把清洗好的数据保存到 Excel 文件df.to_excel(    "完成清洗的扑克牌数据.xlsx",    index=False)df

返回结果如下：

可以看到，我们已经成功地把它变成了一副正常的扑克牌数据。

 

6. 小结

我们简单回顾一下本文的主要内容，首先，我们从宏观层面介绍了数据分析的 8 个步骤，然后用一副待清洗的扑克牌数据集作为示例，从读取数据，到查找异常，再到排除重复、删除缺失和补全缺失，最后，我们用一个案例，完整演示了清洗数据的过程。

End.

爱数据网专栏作者：林骥

作者介绍：数据赋能者，专注数据分析 10 多年。

个人公众号：林骥（linjiwx）

本文为挖数网专栏作者原创文章，未经允许禁止转载，需要转载请微信联系授权（微信号：lovedata0520）

更多文章前往爱数据社区网站首页浏览http://www.itongji.cn/