爬虫与Python：（四）爬虫进阶扩展之Pandas——7.数据清洗

说明

数据清洗是对一些没有用的数据进行处理的过程。

很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。

在这个教程中，我们将利用 Pandas包来进行数据清洗。

本文使用到的测试数据 property-data.csv 如下：

上表包含来四种空数据：

• n/a
• NA
• —
• na

Pandas清洗空值

如果我们要删除包含空字段的行，可以使用 dropna() 方法，语法格式如下：

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

参数说明见下表：

参数	描述
axis	默认为 0，表示逢空值剔除整行，如果设置参数 axis＝1 表示逢空值去掉整列。
how	默认为 'any' 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how='all' 一行（或列）都是 NA 才去掉这整行。
thresh	设置需要多少非空值的数据才可以保留下来的。
subset	设置想要检查的列。如果是多个列，可以使用列名的 list 作为参数
inplace	如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据

我们可以通过 isnull() 判断各个单元格是否为空。

import pandas as pd

df = pd.read_csv('property-data.csv')

print (df['NUM_BEDROOMS'])
print (df['NUM_BEDROOMS'].isnull())

以上实例输出结果如下：

 以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据，na 不是空数据，不符合我们要求，我们可以指定空数据类型：

import pandas as pd

missing_values = ["n/a", "na", "--"]
df = pd.read_csv('property-data.csv', na_values = missing_values)

print (df['NUM_BEDROOMS'])
print (df['NUM_BEDROOMS'].isnull())

以上实例输出结果如下：

 接下来，我们要删除包含空数据的行：

import pandas as pd

df = pd.read_csv('property-data.csv')
new_df = df.dropna()
print(new_df.to_string())

输出结果如下：

 注意：默认情况下，dropna() 方法返回一个新的 DataFrame，不会修改源数据。

如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:

import pandas as pd

df = pd.read_csv('property-data.csv')
new_df = df.dropna(inspect=True)
print(new_df.to_string())

我们也可以移除指定列有空值的行：

import pandas as pd

# 移除ST_NAME列为空的行
df = pd.read_csv('property-data.csv')
df.dropna(subset=['ST_NUM'], inplace = True)
print(df.to_string())

以上实例输出结果如下：

 我们也可以 fillna() 方法来替换一些空字段:

import pandas as pd

df = pd.read_csv('property-data.csv')
df.fillna(12345, inplace = True)
print(df.to_string())

以上实例输出结果如下：

 我们也可以指定某一列来替换数据:

import pandas as pd

# 使用12345来替换PID为空的数据
df = pd.read_csv('property-data.csv')
df['PID'].fillna(12345, inplace = True)
print(df.to_string())

以上实例输出结果如下:

替换空单元格的常用方法是计算列的均值、中位数值或众数。

Pandas使用 mean()、median() 和 mode() 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）。

使用 mean() 方法计算列的均值并替换空单元格方法如下：

import pandas as pd

# 使用 mean() 方法计算列的均值并替换空单元格
df = pd.read_csv('property-data.csv')
x = df["ST_NUM"].mean()
df["ST_NUM"].fillna(x, inplace = True)
print(df.to_string())

以上实例输出结果如下，红框为计算的均值替换来空单元格。

 使用 median() 方法计算列的中位数并替换空单元格：

import pandas as pd

# 使用 median() 方法计算列的中位数并替换空单元格
df = pd.read_csv('property-data.csv')
x = df["ST_NUM"].median()
df["ST_NUM"].fillna(x, inplace = True)
print(df.to_string())

上实例输出结果如下，红框为计算的中位数替换来空单元格。

 使用 mode() 方法计算列的众数并替换空单元格：

import pandas as pd

# 使用 mode() 方法计算列的众数并替换空单元格
df = pd.read_csv('property-data.csv')
x = df["ST_NUM"].mode()
df["ST_NUM"].fillna(x, inplace = True)
print(df.to_string())

以上实例输出结果如下，红框为计算的众数替换来空单元格。

Pandas清洗错误数据

数据格式错误的单元格会使数据分析变得困难，甚至不可能。

我们可以通过包含空单元格的行，或者将列中的所有单元格转换为相同格式的数据。

以下实例会格式化日期：

import pandas as pd

# 第三个日期格式错误
data = {
  "Date": ['2020/12/01', '2020/12/02' , '20201226'],
  "duration": [50, 40, 45]
}
df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
df['Date'] = pd.to_datetime(df['Date'])
print(df.to_string())

以上实例输出结果如下：

           Date  duration
day1 2020-12-01        50
day2 2020-12-02        40
day3 2020-12-26        45

Pandas清洗错误数据

数据错误也是很常见的情况，我们可以对错误的数据进行替换或移除。

以下实例将替换错误的年龄实例：

import pandas as pd

person = {
  "name": ['Google', 'Runoob' , 'Taobao'],
  "age": [50, 40, 12345]    # 12345 年龄数据是错误的
}
df = pd.DataFrame(person)
df.loc[2, 'age'] = 30 # 修改数据
print(df.to_string())

以上实例输出结果如下：

     name  age
0  Google   50
1  Runoob   40
2  Taobao   30

也可以设置条件语句（将age大于120的设置为120）：

import pandas as pd

# 将Age>120的设置为120
person = {
  "name": ['Google', 'Runoob' , 'Taobao'],
  "age": [50, 200, 12345]    
}
df = pd.DataFrame(person)
for x in df.index:
  if df.loc[x, "age"] > 120:
    df.loc[x, "age"] = 120

print(df.to_string())

以上示例输出结果如下：

     name  age
0  Google   50
1  Runoob  120
2  Taobao  120

也可以将错误数据的行删除：

import pandas as pd

# 将数据大于120的行删除
person = {
  "name": ['Google', 'Runoob' , 'Taobao'],
  "age": [50, 40, 12345]    # 12345 年龄数据是错误的
}
df = pd.DataFrame(person)

for x in df.index:
  if df.loc[x, "age"] > 120:
    df.drop(x, inplace = True)

print(df.to_string())

Pandas清洗重复数据

如果我们要清洗重复数据，可以使用 duplicated() 和 drop_duplicates() 方法。

如果对应的数据是重复的，duplicated() 会返回 True，否则返回 False。

import pandas as pd

person = {
  "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
  "age": [50, 40, 40, 23]  
}
df = pd.DataFrame(person)
print(df.duplicated())

以上示例输出结果如下：

0    False
1    False
2     True
3    False
dtype: bool

删除重复数据，可以直接使用drop_duplicates() 方法。

import pandas as pd

persons = {
  "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
  "age": [50, 40, 40, 23]  
}

df = pd.DataFrame(persons)

df.drop_duplicates(inplace = True)
print(df)

以上示例输出结果如下：

     name  age
0  Google   50
1  Runoob   40
3  Taobao   23

参考网址

• Pandas数据清洗：https://www.runoob.com/pandas/pandas-cleaning.html