Python简单数据清洗

我们从网上爬取好的数据，看起来会很乱，我们需要对数据进行再次加工，筛选出我们需要的数据，此时就需要对数据进行清洗。

一点数据清洗对于后续的数据分析来说至关重要。Python中进行数据清洗的工具是Pandas。接下来我就来介绍一下如何使用Python简单地对凌乱的数据进行清洗。

首先我们需要以下从几个方面判断我们需要清洗的数据：

1、数据的完整性：检查数据是否有空值或缺失

2、数据的全面性：检查同类数据的单位是否是一致的，比如体重有Kg和g，身高有M和CM

3、数据的合法性：检查数据是否合法，如存在非ASCII码字符或者非法字符

4、数据的唯一性：检查数据是否有重复

考虑好这些问题后我们把需要清洗的内容列出一张清单，并按照清单进行清洗。

以下是实际清洗流程：

第一步，下载pandas包，可以使用pycharm->setting->python interpreter直接下载，也可以在终端输入pip3 install pandas下载

第二步，导包

import pandas as pd
from pandas import Series,DataFrame

第三步，开始清洗，示例代码如下：

import pandas as pd
from pandas import Series,DataFrame
 
def clean():
    df = DataFrame(pd.read_excel('./cleantest.xlsx'))
    #对列进行重命名
    df.rename(columns={0:'姓名', 1:'性别', 2:'年龄',3:'体重',4:'身高'},inplace=True)
    #对整行为空值的数据进行删除
    df.dropna(how='all',inplace=True)
    #使用平均值来填充体重缺失的值
    df[u'体重'].fillna(int(df[u'体重'].mean()),inplace=True)
    #对身高列的度量做统一，我们使用df.apply方法来统一身高的度量，使用df.columns.str.upper方法将首字母统一为大写
    def format_height(df):
        if(df['身高']<3):
            return df['身高'] * 100
        else:
            return df['身高']
    df['身高'] = df.apply(format_height,axis=1)
    #2 姓名首字母大小写不统一，统一成首字母大写
    df.columns = df.columns.str.upper()
    #对姓名列的非法字符做过滤，我们可以使用df.replace方法，删除字母前面的空格，我们可以使用df.map方法
    #1、英文字母出现中文->删除非ASCLL码的字符
    df['姓名'].replace({r'[^\x00-\x7f]+':''},regex=True,inplace=True)
    #2、英文名字出现了问号->删除问号
    df['姓名'].replace({r'\?+':''},regex=True,inplace=True)
    #3、名字前出现空格->删除空格
    df['姓名'] = df['姓名'].map(str.lstrip)
    #将年龄列为负值的年龄处理为正数，我们可以使用df.apply方法:
    def format_sex(df):
        return abs(df['年龄'])
    df['年龄'] = df.apply(format_sex,axis=1)
    #删除行记录重复的数据，我们可以使用df.drop_duplicates方法:
    df.drop_duplicates(['姓名'],inplace=True)
    #我们讲清洗好的数据保存至新的excel中，我们可以使用df.to_excel方法:
    df.to_excel('./data02.xlsx',index=False)
if __name__ == '__main__':
    clean()

pandas的一些常用方法：

1）从excel中加载数据到DataFrame，pandas.read_excel('文档位置')

2）对列进行重命名，rename

def rename(
        self,
        mapper: Renamer | None = None,
        *,
        index: Renamer | None = None,
        columns: Renamer | None = None,
        axis: Axis | None = None,
        copy: bool = True,
        inplace: bool = False,
        level: Level | None = None,
        errors: str = "ignore",
    ) -> DataFrame | None:

3）删除空值，dropna

def dropna(
        self,
        axis: Axis = 0,
        how: str = "any",
        thresh=None,
        subset: IndexLabel = None,
        inplace: bool = False,
    ):

4）填充值，fillna

    def fillna(
        self,
        value: object | ArrayLike | None = None,
        method: FillnaOptions | None = None,
        axis=None,
        inplace=False,
        limit=None,
        downcast=None,
    ) -> Series | None:
        return super().fillna(
            value=value,
            method=method,
            axis=axis,
            inplace=inplace,
            limit=limit,
            downcast=downcast,
        )

5）将首字母统一为大写,columns.str.upper

6)  过滤非法字符replace

    def replace(
        self,
        to_replace=None,
        value=lib.no_default,
        inplace=False,
        limit=None,
        regex=False,
        method: str | lib.NoDefault = lib.no_default,
    ):
        return super().replace(
            to_replace=to_replace,
            value=value,
            inplace=inplace,
            limit=limit,
            regex=regex,
            method=method,
        )

7)  删除空格，map

    def map(self, arg, na_action=None) -> Series:
        new_values = self._map_values(arg, na_action=na_action)
        return self._constructor(new_values, index=self.index).__finalize__(
            self, method="map"
        )

8）将正负值转换,apply

    def apply(
        self,
        func: AggFuncType,
        axis: Axis = 0,
        raw: bool = False,
        result_type=None,
        args=(),
        **kwargs,
    ):
        from pandas.core.apply import frame_apply
 
        op = frame_apply(
            self,
            func=func,
            axis=axis,
            raw=raw,
            result_type=result_type,
            args=args,
            kwargs=kwargs,
        )
        return op.apply().__finalize__(self, method="apply")

9）删除行记录重复的数据，drop_duplicates

    def drop_duplicates(
        self,
        subset: Hashable | Sequence[Hashable] | None = None,
        keep: Literal["first"] | Literal["last"] | Literal[False] = "first",
        inplace: bool = False,
        ignore_index: bool = False,
    ) -> DataFrame | None:
       
        if self.empty:
            return self.copy()
 
        inplace = validate_bool_kwarg(inplace, "inplace")
        ignore_index = validate_bool_kwarg(ignore_index, "ignore_index")
        duplicated = self.duplicated(subset, keep=keep)
 
        result = self[-duplicated]
        if ignore_index:
            result.index = default_index(len(result))
 
        if inplace:
            self._update_inplace(result)
            return None
        else:
            return result

10）清洗好的数据保存至新的excel中，to_excel

第四步，去新的excel中查看数据是否清洗完成。

简单地数据清洗就介绍到这里了，经过清洗后的数据更加方便我们进行数据分析。