如何用 Python 清洗數據？

0. 序言

在做數據分析之前，我們首先要明確數據分析的目標，然後 應用數據分析的思維，對目標進行細分，再採取相應的行動。

我們可以把數據分析細分為以下 8 個步驟：

（1）讀取

（2） 清洗

（3） 操作

（4） 轉換

（5） 整理

（6） 分析

（7） 展現

（8）報告

在《 如何用 Python 讀取數據？ 》這篇文章中，我們學習了從 5 種不同的地方讀取數據的方法，接下來，我們將利用其中的一種方法， 從 Excel 文件中讀取原始數據，然後利 用 Python 對它進行清洗。

下面我們用一副待清洗的撲克牌作為示例，假設它保存在代碼文件相同的目錄下，在 Jupyter Lab 環境中運行以下代碼：

import numpy as npimport pandas as pd# 設置最多顯示 10 行pd.set_option('max_rows', 10)# 從 Excel 文件中讀取原始數據df = pd.read_excel( '待清洗的撲克牌數據集.xlsx')df

返回結果如下：

這幅待清洗的撲克牌數據集，有一些異常情況，包括：大小王的花色是缺失的，有兩張重複的黑桃:spades: A，還有一張異常的 黑桃 :spades: 30。

1. 如何查找異常？

在正式開始清洗數據之前，往往需要先把異常數據找出來，觀察異常數據的特徵，然後再決定清洗的方法。

# 查找「花色」缺失的行df[df.花色.isnull()]

返回結果：

array(['大王', '小王', 'A', '30', 4, 5, 6, 7, 8, 9, 10, 'J', 'Q', 'K', 2, 3], dtype=object)

根據常識可以判斷，牌面為 30 的是異常值。

# 查找「牌面」包含 30 的異常值df[df.牌面.isin(['30'])]

查找某個區間，也可以用邏輯運算的方法來實現：

# 查找編號在 1 到 5 之間的行df[(df.編號 >= 1) & (df.編號 <= 5)]

其中「 & 」代表必須同時滿足兩邊的條件，也就是「且」的意思。

還可以用下面等價的方法：

# 查找編號在 1 到 5 之間的行df[~((df.編號 < 1) | (df.編號 > 5))]

其中「 | 」代表兩邊的條件滿足一個即可，也就是「或」的意思，「 ~ 」代表取反，也就是「非」的意思。

2. 如何排除重複？

使用 drop_duplicates() 函數，在排除重複之後，會得到一個新的數據框。

# 排除完全重複的行，默認保留第一行df.drop_duplicates()

返回結果如下：

如果想要改變原來的數據框，有兩種方法，一種方法，是增加 inplace 參數：

# 排除重複後直接替換原來的數據框df.drop_duplicates( inplace=True)

另一種方法，是把得到的結果，重新賦值給原來的數據框：

# 排除重複後，重新賦值給原來的數據框df = df.drop_duplicates()

如果想要按某一列排除重複的數據，那麼指定相應的列名即可。

# 按某一列排除重複，默認保留第一行df.drop_duplicates(['花色'])

如果想要保留重複的最後一行，那麼需要指定 keep 參數。

# 按某一列排除重複，並保留最後一行df.drop_duplicates( ['花色'], keep='last')

從上面兩個返回結果的編號可以看出，不同方法的差異情況。

3. 如何刪除缺失？

使用 dropna() 函數，默認刪除包含缺失的行。為了更加簡單易懂，我們用撲克牌中不重複的花色作為示例。

# 不重複的花色color = df.drop_duplicates( ['花色'])color

如果想要刪除整行全部為空的行，那麼需要指定 how 參數。

# 刪除全部為空的行color.dropna(how='all')

如果想要刪除包含缺失值的列，那麼需要指定 axis 參數。

# 刪除包含缺失值的列color.dropna(axis=1)

可以看到，包含缺失值的「花色」這一列被刪除了。

4. 如何補全缺失？

使用 fillna() 函數，可以將缺失值填充為我們指定的值。

# 補全缺失值color.fillna('Joker')

可以看到，原來的 NaN 被填充為 Joker，在實際工作的應用中，通常填充為 0，也就是説， fillna(0) 是比較常見的用法。

如果想要使用臨近的值來填充，那麼需要指定 method 參數，例如：

# 用後面的值填充color.fillna(method='bfill')

可以看到，原來第一行的 NaN 替換成了第二行的「黑桃:spades:」。

其中 method 還有一些其他的可選參數，詳情可以查看相關的幫助文檔。

還有一種按字典填充的方法。為了讓下面的演示更加直觀易懂，我們先把索引為 2 的牌面設置為缺失值：

# 為了演示，先指定一個缺失值color.loc[2, '牌面'] = np.nancolor

可以看出，不同列的缺失值，可以填充為不同的值，花色這一列填充為 0，牌面這一列填充為 1，我在圖中分別用紅色的方框標記出來了。

5. 應用案例

下面 我們用 Python 代碼，把這幅待清洗的撲克牌數據集，變成一副正常的撲克牌數據。

import numpy as npimport pandas as pd# 設置最多顯示 10 行pd.set_option('max_rows', 10)# 從 Excel 文件中讀取原始數據df = pd.read_excel( '待清洗的撲克牌數據集.xlsx')# 補全缺失值df = df.fillna('Joker')# 排除重複值df = df.drop_duplicates()# 修改異常值df.loc[4, '牌面'] = 3# 增加一張缺少的牌df = df.append( {'編號': 4, '花色': '黑桃', '牌面': 2}, ignore_index=True)# 按編號排序df = df.sort_values('編號')# 重置索引df = df.reset_index()# 刪除多餘的列df = df.drop( ['index'], axis=1)# 把清洗好的數據保存到 Excel 文件df.to_excel( '完成清洗的撲克牌數據.xlsx', index=False)df

返回結果如下：

可以看到，我們已經成功地把它變成了一副正常的撲克牌數據。

6. 小結

我們簡單回顧一下本文的主要內容，首先，我們從宏觀層面介紹了數據分析的 8 個步驟，然後用一副待清洗的撲克牌數據集作為示例，從讀取數據，到查找異常，再到排除重複、刪除缺失和補全缺失，最後，我們用一個案例， 完整 演示了清洗數據的過程。