常用的数据清洗方法学习笔记（全面、完整）

常用的数据清洗方法

在数据处理过程中，一般都需要进行数据的处理工作，如数据集是否存在重复、是否存在缺失、数据是否具有一定的完整性和一致性、数据中是否存在异常值等，当发现数据中可能存在上述问题时，都需要有针对的处理，本节主要介绍如何识别和处理重复观测、缺失值和异常值。

1. 重复观测处理

重复观测是指观测行存在重复的现象，重复观测的存在会影响数据分析和挖掘结果的准确性，所以在数据分析和建模之前需要进行观测的重复性检验，如果存在重复观测，还需要进行重复项的删除；下图中唯品会出现了2次。

检测数据集的记录是否存在重复，Pandas中使用duplicated方法，该方法返回的是数据行每一行的检验结果，即每一行返回一个bool值，使用drop_duplicates方法移除重复值

import pandas as pd
a = pd.read_excel('same_data.xlsx')
print("是否存在重复观测：",any(a.duplicated()))
a.drop_duplicates(inplace=True)#inplace=True时，直接删除a中的重复数据
f=pd.ExcelWriter('same_data.xlsx')
a.to_excel(f)
f.save()
1
2
3
4
5
6
7

2. 缺失值处理

数据缺失在大部分数据分析应用中都很常见，Pandas使用浮点值NaN表示浮点或非浮点数组中的缺失数据，Python内置的None值也会被当作缺失值处理，Pandas使用方法isnull检测是否为缺失值，检测对象的每一个元素返回一个bool值。

from pandas import Series
from numpy import NaN
data = Series([10.0,None,20,NaN,30])
#print(data)
print(data.isnull())
1
2
3
4
5

可以看出，data数据中的第二个和第四个元素都被视为缺失值
缺失值处理方法可以采用三种方法，分别是过滤法、填充法和插值法，

过滤法又称为删除法，是指当缺失的观测值比例非常低时（如5%以内），直接删除存在缺失值的观测；或者当某些变量的缺失比例非常高（如85%以上），直接删除这些缺失的变量；

填充法又称为替换法，是指用某种常数直接替换那些缺失值，例如，对于连续变量而言，可以使用均值或中位数替换；对于离散变量，可以使用众数替换

插值法是指根据其他非缺失变量或观测来预测缺失值，常见的插值法有线性插值法、K近邻插值法、Lagrange插值法。

数据过滤

数据过滤的dropna方法的语法格式如下：

dropna(axis=0, how='any', thresh=None)
1

其中：（1）axis=0表示删除行；axis=1表示删除列
（2）how参数可选值为any或all，all表示删除全有NaN的行
（3）thresh为整数类型，表示删除的条件，如thresh=3，表示一行中至少有3个非NaN值时，才将其保留

from pandas import read_excel
a=read_excel("Pdata2_33.xlsx",u)
1
2