快捷導(dǎo)航

一文詳解Python中數(shù)據(jù)清洗與處理的常用方法

更新時(shí)間：2025年01月28日 10:14:38 作者：請(qǐng)為小H留燈

在數(shù)據(jù)處理與分析過(guò)程中,缺失值、重復(fù)值、異常值等問(wèn)題是常見(jiàn)的挑戰(zhàn),本文總結(jié)了多種數(shù)據(jù)清洗與處理方法,文中的示例代碼簡(jiǎn)潔易懂,有需要的小伙伴可以參考下

此外，還介紹了數(shù)據(jù)分組統(tǒng)計(jì)、數(shù)據(jù)分箱與標(biāo)準(zhǔn)化的應(yīng)用。例如，分組統(tǒng)計(jì)可按列求均值，數(shù)據(jù)分箱能為連續(xù)變量賦予分類標(biāo)簽，而歸一化則通過(guò)壓縮數(shù)據(jù)范圍提升模型表現(xiàn)。這些方法能有效提高數(shù)據(jù)質(zhì)量與分析效率，是數(shù)據(jù)科學(xué)中不可或缺的能。

缺失值處理

刪除缺失值

df_dropped = df.dropna()
print("\n刪除缺失值后:")
print(df_dropped)

用固定值填充缺失值

df_filled = df.fillna({
    'title': 'Unknown',
    'author': 'Unknown Author',
    'price': df['price'].mean()
})
print("\n填充缺失值后:")
print(df_filled)

前向填充

df_ffill = df.fillna(method='ffill')
print("\n前向填充缺失值后:")
print(df_ffill)

后向填充

df_bfill = df.fillna(method='bfill')
print("\n后向填充缺失值后:")
print(df_bfill)

刪除缺失率高的列

df_dropped_cols = df.dropna(axis=1, thresh=len(df) * 0.5)  
print("\n刪除缺失率高的列后:")
print(df_dropped_cols)

重復(fù)值處理

刪除重復(fù)值

df_deduplicated = df.drop_duplicates()
print("\n刪除重復(fù)值后:")
print(df_deduplicated)

標(biāo)記重復(fù)值

df['is_duplicate'] = df.duplicated()
print("\n標(biāo)記重復(fù)值后:")
print(df)

異常值處理

替換異常值

df['price'] = df['price'].apply(lambda x: x if 0 <= x <= 100 else df['price'].mean())
print("\n替換異常值后:")
print(df)

標(biāo)記異常值

df['is_outlier'] = df['price'].apply(lambda x: 1 if x < 0 or x > 100 else 0)
print("\n標(biāo)記異常值后:")
print(df)

數(shù)據(jù)類型轉(zhuǎn)換

轉(zhuǎn)換為整數(shù)類型

df['price'] = df['price'].astype(int)
print("\n轉(zhuǎn)換為整數(shù)后:")
print(df)

轉(zhuǎn)換為日期類型

df['date'] = pd.to_datetime(df['date'], errors='coerce')
print("\n轉(zhuǎn)換為日期類型后:")
print(df)

文本清洗

去掉兩端空格

df['title'] = df['title'].str.strip()
print("\n去掉兩端空格后:")
print(df)

替換特定字符

df['title'] = df['title'].str.replace('[^a-zA-Z0-9\s]', '', regex=True)
print("\n替換特定字符后:")
print(df)

轉(zhuǎn)換為小寫

df['title'] = df['title'].str.lower()
print("\n轉(zhuǎn)換為小寫后:")
print(df)

數(shù)據(jù)分組統(tǒng)計(jì)

按列分組求均值

grouped = df.groupby('author')['price'].mean()
print("\n按作者分組的平均價(jià)格:")
print(grouped)

數(shù)據(jù)分箱

按價(jià)格分箱

bins = [0, 10, 20, 30]
labels = ['低', '中', '高']
df['price_level'] = pd.cut(df['price'], bins=bins, labels=labels, right=False)
print("\n按價(jià)格分箱后:")
print(df)

數(shù)據(jù)標(biāo)準(zhǔn)化

歸一化處理

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
df['price_scaled'] = scaler.fit_transform(df[['price']])
print("\n歸一化后的數(shù)據(jù):")
print(df)

到此這篇關(guān)于一文詳解Python中數(shù)據(jù)清洗與處理的常用方法的文章就介紹到這了,更多相關(guān)Python數(shù)據(jù)清洗與處理內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: