Python Pandas（7）：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。数据清洗与预处理的常见步骤：

1. 缺失值处理：识别并填补缺失值，或删除含缺失值的行/列。
2. 重复数据处理：检查并删除重复数据，确保每条数据唯一。
3. 异常值处理：识别并处理异常值，如极端值、错误值。
4. 数据格式转换：转换数据类型或进行单位转换，如日期格式转换。
5. 标准化与归一化：对数值型数据进行标准化（如 Z-score）或归一化（如 Min-Max）。
6. 类别数据编码：将类别变量转换为数值形式，常见方法包括 One-Hot 编码和标签编码。
7. 文本处理：对文本数据进行清洗，如去除停用词、词干化、分词等。
8. 数据抽样：从数据集中抽取样本，或通过过采样/欠采样处理类别不平衡。
9. 特征工程：创建新特征、删除不相关特征、选择重要特征等。

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

1 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)

• 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。

1.1 isnull() 判断各个单元格是否为空

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())

以上例子中我们看到 Pandas 没有把 n/a 和 NA 当作空数据，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())

1.2 dropna() 删除包含空数据的行

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())

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:

df.dropna(inplace = True)

我们也可以移除指定列有空值的行：

import pandas as pd

df = pd.read_csv('property-data.csv')

df.dropna(subset=['ST_NUM'], inplace=True)

print(df.to_string())

1.3 fillna() 替换空字段

我们也可以 fillna() 方法来替换一些空字段：

import pandas as pd

df = pd.read_csv('property-data.csv')

df.fillna(12345, inplace=True)

print(df.to_string())

我们也可以指定某一个列来替换数据，例如使用 12345 替换 PID 为空数据：

df.fillna({ 'PID' : 12345 }, inplace = True)

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）。

1.3.1 mean() 均值替换

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].mean()
df.fillna({ 'ST_NUM': 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：

1.3.2 median() 中位数替换

import pandas as pd

df = pd.read_csv('property-data.csv')
x = df["ST_NUM"].median()
df.fillna({'ST_NUM': x}, inplace=True)
print(df.to_string())

1.3.3 mode() 众数替换

import pandas as pd

df = pd.read_csv('property-data.csv')

x = df["ST_NUM"].mode()
df.fillna({'ST_NUM': x.values[0]}, inplace=True)
print(df.to_string())

mode()可能会出现多个值，所以需要用values[index]指定。

2 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'], format='mixed')

print(df.to_string())

3 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', 'Bing', '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())

也可以设置条件语句，例如将 age 大于 120 的设置为 120:

import pandas as pd

person = {
    "name": ['Google', 'Bing', '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())

也可以将错误数据的行删除，例如将 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())

4 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', 'Bing', 'Bing', 'Taobao'],
    "age": [50, 40, 40, 23]
}
df = pd.DataFrame(person)

print(df.duplicated())

删除重复数据，可以直接使用drop_duplicates() 方法。

import pandas as pd

person = {
    "name": ['Google', 'Bing', 'Bing', 'Taobao'],
    "age": [50, 40, 40, 23]
}
df = pd.DataFrame(person)

df.drop_duplicates(inplace=True)
print(df)

5 常用方法及说明

操作	方法/步骤	说明	常用函数/方法
缺失值处理	填充缺失值	使用指定的值（如均值、中位数、众数等）填充缺失值。	df.fillna(value)
	删除缺失值	删除包含缺失值的行或列。	df.dropna()
重复数据处理	删除重复数据	删除 DataFrame 中的重复行。	df.drop_duplicates()
异常值处理	异常值检测（基于统计方法）	通过 Z-score 或 IQR 方法识别并处理异常值。	自定义函数（如基于 Z-score 或 IQR）
	替换异常值	使用合适的值（如均值或中位数）替换异常值。	自定义函数（如替换异常值）
数据格式转换	转换数据类型	将数据类型从一个类型转换为另一个类型，如将字符串转换为日期。	df.astype()
	日期时间格式转换	转换字符串或数字为日期时间类型。	pd.to_datetime()
标准化与归一化	标准化	将数据转换为均值为0，标准差为1的分布。	StandardScaler()
	归一化	将数据缩放到指定的范围（如 [0, 1]）。	MinMaxScaler()
类别数据编码	标签编码	将类别变量转换为整数形式。	LabelEncoder()
	独热编码（One-Hot Encoding）	将每个类别转换为一个新的二进制特征。	pd.get_dummies()
文本数据处理	去除停用词	从文本中去除无关紧要的词，如 "the" 、 "is" 等。	自定义函数（基于 nltk 或 spaCy）
	词干化与词形还原	提取词干或恢复单词的基本形式。	nltk.stem.PorterStemmer()
	分词	将文本分割成单词或子词。	nltk.word_tokenize()
数据抽样	随机抽样	从数据中随机抽取一定比例的样本。	df.sample()
	上采样与下采样	通过过采样（复制少数类样本）或欠采样（减少多数类样本）来平衡数据集中的类别分布。	SMOTE()（上采样）； RandomUnderSampler()（下采样）
特征工程	特征选择	选择对目标变量有影响的特征，去除冗余或无关特征。	SelectKBest()
	特征提取	从原始数据中创建新的特征，提升模型的预测能力。	PolynomialFeatures()
	特征缩放	对数值特征进行缩放，使其具有相同的量级。	MinMaxScaler() 、 StandardScaler()
类别特征映射	特征映射	将类别变量映射为对应的数字编码。	自定义映射函数
数据合并与连接	合并数据	将多个 DataFrame 按照某些列合并在一起，支持内连接、外连接、左连接、右连接等。	pd.merge()
	连接数据	将多个 DataFrame 进行行或列拼接。	pd.concat()
数据重塑	数据透视表	将数据根据某些维度进行分组并计算聚合结果。	pd.pivot_table()
	数据变形	改变数据的形状，如从长格式转为宽格式或从宽格式转为长格式。	df.melt() 、 df.pivot()
数据类型转换与处理	字符串处理	对字符串数据进行处理，如去除空格、转换大小写等。	str.replace() 、 str.upper() 等
	分组计算	按照某个特征分组后进行聚合计算。	df.groupby()
缺失值预测填充	使用模型预测填充缺失值	使用机器学习模型（如回归模型）预测缺失值，并填充缺失数据。	自定义模型（如 sklearn.linear_model.LinearRegression）
时间序列处理	时间序列缺失值填充	使用时间序列的方法（如前向填充、后向填充）填充缺失值。	df.fillna(method='ffill')
	滚动窗口计算	使用滑动窗口进行时间序列数据的统计计算（如均值、标准差等）。	df.rolling(window=5).mean()
数据转换与映射	数据映射与替换	将数据中的某些值替换为其他值。	df.replace()