臟數(shù)據(jù)就是在物理上臨時(shí)存在過，但在邏輯上不存在的數(shù)據(jù)。

數(shù)據(jù)清洗是整個(gè)數(shù)據(jù)分析過程的第一步，就像做一道菜之前需要先擇菜洗菜一樣。 數(shù)據(jù)分析師經(jīng)常需要花費(fèi)大量的時(shí)間來清洗數(shù)據(jù)或者轉(zhuǎn)換格式，這個(gè)工作甚至?xí)颊麄€(gè)數(shù)據(jù)分析流程的80%左右的時(shí)間。

在這篇文章中，我嘗試簡(jiǎn)單地歸納一下用Python來做數(shù)據(jù)清洗的7步過程，供大家參考。

一、數(shù)據(jù)預(yù)處理

一、數(shù)據(jù)預(yù)處理

部署環(huán)境，導(dǎo)入分析包和數(shù)據(jù)

#導(dǎo)入數(shù)據(jù)分析包 import pandas as pd import numpy as np#導(dǎo)入csv數(shù)據(jù) #dtype = str,最好讀取的時(shí)候都以字符串的形式讀入，不然可能會(huì)使數(shù)據(jù)失真 #比如一個(gè)0010008的編號(hào)可能會(huì)讀取成10008fileNameStr = './Actual transactions from UK retailer.csv' DataDF = pd.read_csv(fileNameStr,encoding = "ISO-8859-1",dtype = str) # encoding = "ISO-8859-1" -- 用什么解碼，一般會(huì)默認(rèn)系統(tǒng)的編碼，如果是中文就用 "utf-8" DataDF = pd.read_csv(fileNameStr,encoding = "utf-8",dtype = str)

2. 嘗試去理解這份數(shù)據(jù)集

我們可以通過對(duì)數(shù)據(jù)集提問來判斷這份數(shù)據(jù)能不能滿足解答我們的問題，數(shù)據(jù)是否干凈需不需要進(jìn)一步處理，問題包括但不限于：

數(shù)據(jù)集多少數(shù)據(jù)？
包含了什么字段？字段格式是什么？
字段分別代表什么意義
字段之間的關(guān)系是什么？可以用做什么分析？或者說能否滿足了對(duì)分析的要求？
有沒有缺失值；如果有的話，缺失值多不多？
現(xiàn)有數(shù)據(jù)里面有沒有臟數(shù)據(jù)？尤其需要注意人工輸入的數(shù)據(jù)，經(jīng)常會(huì)出現(xiàn)名稱寫錯(cuò)，多輸入空格等等的情況

3. 下面我們就結(jié)合代碼來看一下數(shù)據(jù)

#1 從宏觀一點(diǎn)的角度去看數(shù)據(jù)：查看dataframe的信息 DataDF.info()

也可以用這兩條來看：

#1.1查看每一列的數(shù)據(jù)類型 DataDF.dtypes#1.2有多少行，多少列 DataDF.shape# 2.檢查缺失數(shù)據(jù) # 如果你要檢查每列缺失數(shù)據(jù)的數(shù)量，使用下列代碼是最快的方法。 # 可以讓你更好地了解哪些列缺失的數(shù)據(jù)更多，從而確定怎么進(jìn)行下一步的數(shù)據(jù)清洗和分析操作。DataDF.isnull().sum().sort_values(ascending=False)

# 3.是抽出一部分?jǐn)?shù)據(jù)來，人工直觀地理解數(shù)據(jù)的意義，盡可能地發(fā)現(xiàn)一些問題 DataDF.head()

可以看到：

1）Country和UnitPrice都出現(xiàn)了NaN值，需要去掉

2）InvoiceDate的時(shí)間出現(xiàn)具體時(shí)分，可以刪去

3）Description大概率是人工填寫的數(shù)據(jù)，一般都會(huì)有比較多格式問題。

猜測(cè)會(huì)存在有標(biāo)點(diǎn)符號(hào)摻雜／大小寫不一致等問題，所以進(jìn)一步這些人工填寫數(shù)據(jù)的去重項(xiàng)拎出來研究一下

# 查看這個(gè)商品名稱的去重項(xiàng) DataDF['Description'].unique()

# 設(shè)置輸出全部的內(nèi)容 # threshold就是設(shè)置超過了多少條，就會(huì)呈現(xiàn)省略 #（比如threshold=10的意思是超過10條就會(huì)省略） np.set_printoptions(threshold=np.inf)

發(fā)現(xiàn)有很多空格的問題

根據(jù)第一步數(shù)據(jù)預(yù)處理后，整理一下該數(shù)據(jù)集有下列問題需要處理：

1）調(diào)整數(shù)據(jù)類型：由于一開始用到了str來導(dǎo)入，打算后期再更換格式，需要調(diào)整數(shù)據(jù)類型。

2）修改列名：該數(shù)據(jù)的名稱不易于理解，需要改列名

3）選擇部分子集：因?yàn)橛胁糠至性跀?shù)據(jù)分析中不需要用到

4）可能存在邏輯問題需要篩選：比如Unit Price為負(fù)

5）格式一致化：Description可能會(huì)存在有標(biāo)點(diǎn)符號(hào)摻雜／大小寫不一致／空格重復(fù)出現(xiàn)等問題

6）消滅空值：CustomerID、Description、Country和UnitPrice都出現(xiàn)了NaN值，需要去掉

于是下面就開始后續(xù)的數(shù)據(jù)清洗6步

---

二、調(diào)整數(shù)據(jù)類型

數(shù)據(jù)類型調(diào)整前#字符串轉(zhuǎn)換為數(shù)值（整型） DataDF['Quantity'] = DataDF['Quantity'].astype('int') #字符串轉(zhuǎn)換為數(shù)值（浮點(diǎn)型） DataDF['UnitPrice'] = DataDF['UnitPrice'].astype('float')

日期調(diào)整前（為求簡(jiǎn)便這里用已經(jīng)剔除分秒，剔除的辦法后面在格式一致化的空格分割再詳細(xì)說）#數(shù)據(jù)類型轉(zhuǎn)換:字符串轉(zhuǎn)換為日期 #errors='coerce' 如果原始數(shù)據(jù)不符合日期的格式，轉(zhuǎn)換后的值為空值NaTDataDF.loc[:,'InvoiceDate']=pd.to_datetime(DataDF.loc[:,'InvoiceDate'],format='%d/%m/%Y', errors='coerce')#!!?? format 是你［原始數(shù)據(jù)］中日期的格式%y 兩位數(shù)的年份表示（00-99） %Y 四位數(shù)的年份表示（000-9999） %m 月份（01-12） %d 月內(nèi)中的一天（0-31） %H 24小時(shí)制小時(shí)數(shù)（0-23） %I 12小時(shí)制小時(shí)數(shù)（01-12） %M 分鐘數(shù)（00-59） %S 秒（00-59）

日期類型調(diào)整后

數(shù)據(jù)類型調(diào)整完畢

三、修改列名

修改前#建立字典字典：舊列名和新列名對(duì)應(yīng)關(guān)系 colNameDict = {'InvolceDate':'SaleDate','StockCode':'StockNo'} #!! ??一定要舊列名放在冒號(hào)前 #每組對(duì)應(yīng)關(guān)系以［逗號(hào)］隔開salesDf.rename(columns = colNameDict,inplace=True)

修改后

四、選擇部分子集

這是一個(gè)8列*541909行的數(shù)據(jù)集。

#選擇子集，選擇其中一列 subDataDF1=DataDF["InvoiceDate"]

#選擇子集，選擇其中兩列 subDataDF1=DataDF[["InvoiceDate","UnitPrice"]]

利用切片篩選數(shù)據(jù)功能 df.loc

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html#pandas.DataFrame.loc?pandas.pydata.org

loc這個(gè)代碼有點(diǎn)像Excel里面的鼠標(biāo)左鍵，可以隨意拉動(dòng)你需要的數(shù)據(jù)進(jìn)行切片。

以逗號(hào)作為隔開的界限，左邊為index，右邊為column

subDataDF1=DataDF.loc[:,"InvoiceDate"] subDataDF1 #單一個(gè)冒號(hào)意味著不作限制的全選

subDataDF2=DataDF.loc[0:9,:] subDataDF2

subDataDF3=DataDF.loc[1:9,"StockCode":"CustomerID"] subDataDF3

五、邏輯問題需要篩選

還是Dataframe.loc這個(gè)函數(shù)的知識(shí)點(diǎn)。

由于loc還可以判斷條件是否為True

DataDF.loc[:,'UnitPrice']>0

一般來說價(jià)格不能為負(fù)，所以從邏輯上來說如果價(jià)格是小于0的數(shù)據(jù)應(yīng)該予以篩出

#刪除異常值：通過條件判斷篩選出數(shù)據(jù) #查詢條件 querySer=DataDF.loc[:,'Quantity']>0 #應(yīng)用查詢條件 print('刪除異常值前：',DataDF.shape) DataDF=DataDF.loc[querySer,:] print('刪除異常值后：',DataDF.shape)

六、格式一致化

大小寫／去除空格

將我們數(shù)據(jù)中所有的Descrption改成大寫：

DataDF['Description']= DataDF['Description'].str.upper()

類似的代碼還有 字符串修改方法：

str(). upper() lower() title() lstrip() strip()DataDF['Description']= DataDF['Description'].str.strip()

2. 去除字符串符號(hào) 去亂碼

3. 空格分割

#定義函數(shù)：分割I(lǐng)nvoiceDate，獲取InvoiceDate #輸入：timeColSer InvoiceDate這一列，是個(gè)Series數(shù)據(jù)類型 #輸出：分割后的時(shí)間，返回也是個(gè)Series數(shù)據(jù)類型def splitSaletime(timeColSer):timeList=[]for value in timeColSer:#例如2018/01/01 12:50，分割后為：2018-01-01dateStr=value.split(' ')[0]timeList.append(dateStr) #將列表轉(zhuǎn)行為一維數(shù)據(jù)Series類型timeSer=pd.Series(timeList)return timeSer

最后再賦值回去

DataDF.loc[:,'InvoiceDate']=splitSaletime(DataDF.loc[:,'InvoiceDate'])

七、處理缺失值

python缺失值有3種：

1）Python內(nèi)置的None值

2）在pandas中，將缺失值表示為NA，表示不可用not available。

3）對(duì)于數(shù)值數(shù)據(jù)，pandas使用浮點(diǎn)值NaN（Not a Number）表示缺失數(shù)據(jù)。 后面出來數(shù)據(jù)，如果遇到錯(cuò)誤：說什么float錯(cuò)誤，那就是有缺失值，需要處理掉

所以，缺失值有3種：None，NA，NaN

那None和NaN有什么區(qū)別呢：

None是Python的一種數(shù)據(jù)類型，

NaN是浮點(diǎn)類型

兩個(gè)都用作空值

1、去除缺失值

# 再一次提醒檢查缺失數(shù)據(jù)DataDF.isnull().sum().sort_values(ascending=False)

去除缺失值的知識(shí)點(diǎn)：

DataFrame.dropna

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

pandas.DataFrame.dropna - pandas 0.24.2 documentation?pandas.pydata.org# 默認(rèn)（axis＝0）是逢空值剔除整行，設(shè)置關(guān)鍵字參數(shù)axis＝1表示逢空值去掉整列 # 'any'如果一行（或一列）里任何一個(gè)數(shù)據(jù)有任何出現(xiàn)Nan就去掉整行，‘a(chǎn)ll’一行（或列）每一個(gè)數(shù)據(jù)都是Nan才去掉這整行DataDF.dropna(how='any') DataDF.dropna(how='all')# 更精細(xì)的thresh參數(shù)，它表示留下此行（或列）時(shí)，要求有多少［非缺失值］ DataDF.dropna(thresh = 6 )

2、填充缺失內(nèi)容：某些缺失值可以進(jìn)行填充，方法有以下四種：

1) 以業(yè)務(wù)知識(shí)或經(jīng)驗(yàn)推測(cè)（默認(rèn)值）填充缺失值

2) 以同一指標(biāo)的計(jì)算結(jié)果（均值、中位數(shù)、眾數(shù)等）填充缺失值

3) 用相鄰值填充缺失值

4) 以不同指標(biāo)的計(jì)算結(jié)果填充缺失值

去除缺失值的知識(shí)點(diǎn)：

DataFrame.fillna

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html#pandas.DataFrame.fillna?pandas.pydata.org

1) 用默認(rèn)值填充－ df.fillna(' ')

我們應(yīng)該去掉那些不友好的 NaN 值。但是，我們應(yīng)該用什么值替換呢？這個(gè)時(shí)候可能要結(jié)合你對(duì)這個(gè)數(shù)據(jù)集的理解，看填充什么數(shù)據(jù)才是比較合適，以下是一下常用的方法。

在這個(gè)數(shù)據(jù)集中，我們大致判斷CustomerID如果是不太重要的，就我們可以用使用""空字符串或其他默認(rèn)值。

DataDF.Country= DataDF.Country.fillna('Not Given')

上面，我們就將“country”整個(gè)列使用“”空字符串替換了，或者，我們也可以輕易地使用“Not Given”這樣的默認(rèn)值進(jìn)行替換。

如果想了解更多 fillna() 的詳細(xì)信息參考 pandas.DataFrame.fillna

pandas.DataFrame.fillna - pandas 0.24.2 documentation?pandas.pydata.org

2） 以同一指標(biāo)的計(jì)算結(jié)果（均值、中位數(shù)、眾數(shù)等）填充缺失值

平均值－ df.fillna(df.mean())

使用數(shù)字類型的數(shù)據(jù)有可能可以通過這樣的方法來去減少錯(cuò)誤。

比如，這個(gè)案例里面的價(jià)格。如果用0或者"Not Given"等來去填充都不太合適，但這個(gè)大概的價(jià)格是可以根據(jù)其他數(shù)據(jù)估算出來的。

DataDF.UnitPrice = DataDF.UnitPrice.fillna(DataDF.UnitPrice.mean())

3）除此，還有一種常見的方法，就是用相鄰的值進(jìn)行填充，

這在時(shí)間序列分析中相當(dāng)常見，用前面相鄰的值向后填充，也可以用后面相鄰的值向前填充。

print(DataDF) print(DataDF.UnitPrice.fillna(method='ffill')) # 前向后填充 print(DataDF.UnitPrice.fillna(method='bfill')) # 后向前填充

填充后

4) 以不同指標(biāo)的計(jì)算結(jié)果填充缺失值

關(guān)于這種方法年齡字段缺失，但是有屏蔽后六位的身份證號(hào)可以推算具體的年齡是多少。

參考來源：

張雨萌-醬油哥：給妹子講python-S02E14Pandas缺失值的處理?zhuanlan.zhihu.com陳丹奕：數(shù)據(jù)清洗的一些梳理?zhuanlan.zhihu.com量子位：8個(gè)數(shù)據(jù)清洗Python代碼，復(fù)制可用，最長(zhǎng)11行 | 資源?zhuanlan.zhihu.com

總結(jié)

以上是生活随笔為你收集整理的python 去除字符串的标点符号 用_7步搞定数据清洗－Python数据清洗指南的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。