如何用 Python 清洗数据？

0. 序言

在做数据分析之前，我们首先要明确数据分析的目标，然后 应用数据分析的思维，对目标进行细分，再采取相应的行动。

我们可以把数据分析细分为以下 8 个步骤：

（1）读取

（2） 清洗

（3） 操作

（4） 转换

（5） 整理

（6） 分析

（7） 展现

（8）报告

在《 如何用 Python 读取数据？ 》这篇文章中，我们学习了从 5 种不同的地方读取数据的方法，接下来，我们将利用其中的一种方法， 从 Excel 文件中读取原始数据，然后利 用 Python 对它进行清洗。

下面我们用一副待清洗的扑克牌作为示例，假设它保存在代码文件相同的目录下，在 Jupyter Lab 环境中运行以下代码：

import numpy as np
import pandas as pd

# 设置最多显示 10 行
pd.set_option('max_rows', 10)

# 从 Excel 文件中读取原始数据
df = pd.read_excel(
    '待清洗的扑克牌数据集.xlsx'
)

df

返回结果如下：

这幅待清洗的扑克牌数据集，有一些异常情况，包括：大小王的花色是缺失的，有两张重复的黑桃:spades: A，还有一张异常的 黑桃 :spades: 30。

1. 如何查找异常？

在正式开始清洗数据之前，往往需要先把异常数据找出来，观察异常数据的特征，然后再决定清洗的方法。

# 查找「花色」缺失的行
df[df.花色.isnull()]

# 查找完全重复的行
df[df.duplicated()]

# 查找某一列重复的行
df[df.编号.duplicated()]

# 查找牌面的所有唯一值
df.牌面.unique()

返回结果：

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

根据常识可以判断，牌面为 30 的是异常值。

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

# 查找王牌，模糊匹配
df[df.牌面.str.contains(
    '王', na=False
)]

# 查找编号在 1 到 5 之间的行
df[df.编号.between(1, 5)]

查找某个区间，也可以用逻辑运算的方法来实现：

# 查找编号在 1 到 5 之间的行
df[(df.编号 >= 1)
   & (df.编号 <= 5)]

其中「 & 」代表必须同时满足两边的条件，也就是「且」的意思。

还可以用下面等价的方法：

# 查找编号在 1 到 5 之间的行
df[~((df.编号 < 1)
     | (df.编号 > 5))]

其中「 | 」代表两边的条件满足一个即可，也就是「或」的意思，「 ~ 」代表取反，也就是「非」的意思。

2. 如何排除重复？

使用 drop_duplicates() 函数，在排除重复之后，会得到一个新的数据框。

# 排除完全重复的行，默认保留第一行
df.drop_duplicates()

返回结果如下：

如果想要改变原来的数据框，有两种方法，一种方法，是增加 inplace 参数：

# 排除重复后直接替换原来的数据框
df.drop_duplicates(
    inplace=True
)

另一种方法，是把得到的结果，重新赋值给原来的数据框：

# 排除重复后，重新赋值给原来的数据框
df = df.drop_duplicates()

如果想要按某一列排除重复的数据，那么指定相应的列名即可。

# 按某一列排除重复，默认保留第一行
df.drop_duplicates(['花色'])

如果想要保留重复的最后一行，那么需要指定 keep 参数。

# 按某一列排除重复，并保留最后一行
df.drop_duplicates(
    ['花色'], keep='last'
)

从上面两个返回结果的编号可以看出，不同方法的差异情况。

3. 如何删除缺失？

使用 dropna() 函数，默认删除包含缺失的行。为了更加简单易懂，我们用扑克牌中不重复的花色作为示例。

# 不重复的花色
color = df.drop_duplicates(
    ['花色']
)

color

# 删除包含缺失值的行
color.dropna()

如果想要删除整行全部为空的行，那么需要指定 how 参数。

# 删除全部为空的行
color.dropna(how='all')

如果想要删除包含缺失值的列，那么需要指定 axis 参数。

# 删除包含缺失值的列
color.dropna(axis=1)

可以看到，包含缺失值的「花色」这一列被删除了。

4. 如何补全缺失？

使用 fillna() 函数，可以将缺失值填充为我们指定的值。

# 补全缺失值
color.fillna('Joker')

可以看到，原来的 NaN 被填充为 Joker，在实际工作的应用中，通常填充为 0，也就是说， fillna(0) 是比较常见的用法。

如果想要使用临近的值来填充，那么需要指定 method 参数，例如：

# 用后面的值填充
color.fillna(method='bfill')

可以看到，原来第一行的 NaN 替换成了第二行的「黑桃:spades:」。

其中 method 还有一些其他的可选参数，详情可以查看相关的帮助文档。

还有一种按字典填充的方法。为了让下面的演示更加直观易懂，我们先把索引为 2 的牌面设置为缺失值：

# 为了演示，先指定一个缺失值
color.loc[2, '牌面'] = np.nan

color

# 按列自定义补全缺失值
color.fillna(
    {'花色': 0, '牌面': 1}
)

可以看出，不同列的缺失值，可以填充为不同的值，花色这一列填充为 0，牌面这一列填充为 1，我在图中分别用红色的方框标记出来了。

5. 应用案例

下面 我们用 Python 代码，把这幅待清洗的扑克牌数据集，变成一副正常的扑克牌数据。

import numpy as np
import pandas as pd

# 设置最多显示 10 行
pd.set_option('max_rows', 10)

# 从 Excel 文件中读取原始数据
df = pd.read_excel(
    '待清洗的扑克牌数据集.xlsx'
)

# 补全缺失值
df = df.fillna('Joker')

# 排除重复值
df = df.drop_duplicates()

# 修改异常值
df.loc[4, '牌面'] = 3

# 增加一张缺少的牌
df = df.Append(
    {'编号': 4,
     '花色': '黑桃♠',
     '牌面': 2},
    ignore_index=True
)

# 按编号排序
df = df.sort_values('编号')

# 重置索引
df = df.reset_index()

# 删除多余的列
df = df.drop(
    ['index'], axis=1
)

# 把清洗好的数据保存到 Excel 文件
df.to_excel(
    '完成清洗的扑克牌数据.xlsx',
    index=False
)

df

返回结果如下：

可以看到，我们已经成功地把它变成了一副正常的扑克牌数据。

6. 小结

我们简单回顾一下本文的主要内容，首先，我们从宏观层面介绍了数据分析的 8 个步骤，然后用一副待清洗的扑克牌数据集作为示例，从读取数据，到查找异常，再到排除重复、删除缺失和补全缺失，最后，我们用一个案例， 完整 演示了清洗数据的过程。

文章作者： 林骥