原创 Pandas进行数据清洗的方法介绍

Pandas进行数据清洗的方法介绍，数据清洗是一项复杂且繁琐的工作，同时也是整个数据分析过程中最为重要的环节。Pandas中常见的数据清洗操作有空值和缺失值的处理、重复值的处理、异常值的处理、统一数据格式等。

前期采集到的数据或多或少都存在一些瑕疵和不足，如数据缺失、极端值、数据格式不统一等问题。在分析数据之前需要对数据进行预处理，包括数据的清洗、合并、重塑与转换。Pandas中专门提供了用于数据预处理的很多函数与方法，用于替换异常数据、合并数据、重塑数据等。

数据清洗是一项复杂且繁琐的工作，同时也是整个数据分析过程中最为重要的环节。数据清洗的目的在于提高数据质量，将脏数据（脏数据在这里指的是对数据分析没有实际意义、格式非法、不在指定范围内的数据）清洗干净，使原数据具有完整性、唯一性、权威性、合法性、一致性等特点。

空值一般表示数据未知、不适用或将在以后添加数据。缺失值是指数据集中某个或某些属性的值是不完整的，产生的原因主要有人为原因和机械原因两种，其中机械原因是由于机器故障造成数据未能收集或存储失败，人为原因是由主观失误或有意隐瞒造成的数据缺失。

一般空值使用None表示，缺失值使用NaN表示。Pandas中提供了一些用于检查或处理空值和缺失值的函数，其中，使用isnull()和notnull()函数可以判断数据集中是否存在空值和缺失值，对于缺失数据可以使用dropna()和fillna()方法对缺失值进行删除和填充。

1、isnull()函数

isnull()函数的语法格式如下：

上述函数中只有一个参数obj，表示检查空值的对象，该函数会返回一个布尔类型的值，如果返回的结果为True，则说明有空值或缺失值，否则为False。（NaN或None映射到True值，其它内容映射到False）

接下来，通过一段示例来演示如何通过isnull()函数来检查缺失值或空值，具体代码如下：

上述示例中，首先创建了一个Series对象，该对象中包含1、None和NaN三个值，然后调用isnull()函数检查Series对象中的数据，数据为空值或缺失值就映射为True，其余值就映射为False。从输出结果看出，第一个数据是正常的，后两个数据是空值或缺失值。

2、 notnull()函数

notnull()函数与isnull()函数的功能是一样的，都是判断数据中是否存在空值或缺失值，不同之处在于，前者发现数据中有空值或缺失值时返回False，后者返回的是True。

将上述调用isnull()函数的代码改为调用notnull()函数，改后的代码如下：上述示例中，通过notnull()函数来检查空值或缺失值，只要出现空值或缺失值就映射为False，其余则映射为True。从输出结果看出，索引0对应的数据为True，说明没有出现空值或缺失值，索引1和2对应的数据为False，说明出现了空值或缺失值。

3、dropna()方法

dropna()方法的作用是删除含有空值或缺失值的行或列，其语法格式如下：

上述方法中部分参数表示的含义如下：

(1) axis：确定过滤行或列，取值可以为：

0或index：删除包含缺失值的行，默认为0。

1或columns：删除包含缺失值的列。

(2) how：确定过滤的标准，取值可以为：

any：默认值。如果存在NaN值，则删除该行或该列。

all：如果所有值都是NaN值，则删除该行或该列。

(3) thresh：c表示有效数据量的最小要求。若传入了2，则是要求该行或该列至少有两个非NaN值时将其保留。

(4) subset：表示在特定的子集中寻找NaN值。

(5) inplace：表示是否在原数据上操作。如果设为True，则表示直接修改原数据；如果设为False，则表示修改原数据的副本，返回新的数据。

4、填充空值/缺失值

填充缺失值和空值的方式有很多种，比如人工填写、特殊值填写、热卡填充等。Pandas中的fillna()方法可以实现填充空值或缺失值