数据准备2 数据清洗2 小案例实战

数据准备2 数据清洗2 小案例实战

 

好的数据分析师必定是一名数据清洗高手，没有高质量的数据，就没有高质量的数据挖掘

 

现有如下数据，然后我们对它进行数据清洗：

 

我个人进行清洗的原则是，先对列或行进行增加/删除/分割/插入，再对“单元格”进行修整

• 0.读取原始数据

  import pandas as pd
  
  # 0.读取csv文件
  df = pd.read_excel(r"C:yourpathtofile.xlsx")
  print("原始数据为：")
  print(df)
  print("-----------")
  '''
  数据解读：
  用户信息表
  \t是数据导出时的产生的序号
  第0列是原始数据时的序号
  第1列是用户姓名
  第2列是用户年龄
  第3列是用户体重
  第4~6列是男性用户三围
  第7~9列是女性用户三围
  '''
  

• 1.删除多余列

  df1 = df.drop(axis=1, columns=['\t',0], inplace=False)
  print(df1)
  print("-----------")
  

• 2.删除空行

  print("删除空行：* 'all' : If all values are NA, drop that row or column.")
  df1.dropna(how="all", inplace=True)
  print(df1)
  print("-----------")
  

• 3.更改列名

  print("更改列名：")
  # 更改全部列名
  df1.columns = ['name', 'age', 'weight', 'male1', 'male2', 'male3', 'female1', 'female2', 'female3']
  print("列名为：", df1.columns.values)
  print("-----------")
  
  # 如果使用print("列名为："+df1.columns.values)，则会在每个元素前都输出"列名为："
  

• 4.拆分列

  print("拆分列：")
  df1[['first_name', 'last_name']] = df1['name'].str.split(expand=True)
  # expand=True时pandas会自动为你分成列，expand=False时仅仅是在原有列上分开，不自动分为列
  print(df1)
  print("-----------")
  

• 5.移动列（并删除多余列）

  print("移动列：")
  df1 = df1.drop(axis=1, columns='name')
  first_name = df1.pop('first_name')
  last_name = df1.pop('last_name')
  df1.insert(0, 'first_name', first_name)
  df1.insert(1, 'last_name', last_name)
  # print(df1)
  pd.set_option('display.max_columns', 10)
  pd.set_option('display.width', 100)
  print(df1)
  # insert时必须要求列名
  print("-----------")
  

• 6.填充空缺值

  df1['age'].fillna(round(df1['age'].mean(), 2), inplace=True)
  # df1['weight'].fillna(df1['weight'].mean(), inplace=True)
  print(df1)
  # 对weight这样还是str类型的自然不能求平均值，否则报错can only concatenate str (not "int") to str
  print("-----------")
  

• 7.删除某些列中（可组合）的重复数据(保留第一条)

  print("删除重复数据：")
  # df1.drop_duplicates('last_name', inplace=True)
  df1.drop_duplicates(['first_name', 'last_name'], inplace=True)
  print(df1)
  print("-----------")
  

• 8.统一单位

  rows_with_lbs = df1['weight'].str.contains('lbs').fillna(False)
  for i, r in df1[rows_with_lbs].iterrows():
      num = int(float(r['weight'][:-3])/2.2)
      df1.at[i, 'weight'] = '{}kgs'.format(num)
  print(df1)
  print("-----------")
  

 

Fix Error

在“8.统一单位”可能会出现如下报错

• (index of the boolean Series and of the indexed object do not match)
  

  原因：因为df1[rows_with_lbs]错写成了df[rows_with_lbs]导致因为df和df1的index不匹配

• KeyError: 'weight'
  

  原因：df1['weight'].str.contains('lbs')错写成了df['weight'].str.contains('lbs')，因为df的列名没改，程序找不到

• 要小心df1.at[i, 'weight'] = '{}kgs'.format(num)，这里假如写成了df，那么（可能）会修改df的部分weight值 且 不会报错