Pandas数据清洗

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。

通过 isnull() 判断各个单元格是否为空。

实例

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：

 

我们还可以可以指定空数据类型：

实例

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())

以上实例输出结果如下：

 

删除包含空数据的行

实例

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：

 

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：

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：

 

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：

 

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：

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：

实例

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。

实例

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。

实例

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

---

本文基于菜鸟教程的Pandas数据清洗文章进行了修改