【pandas】数据清洗的几种方法

引言

在数据处理和分析过程中，数据清洗是至关重要的一步。Pandas是Python中用于数据处理和分析的强大库，提供了多种数据清洗方法。本文将介绍几种常用的数据清洗方法：缺失值处理、重复值处理、异常值处理。

准备

这里准备了一份数据集，为了演示数据清洗的过程，该数据集包含了空值、重复行、异常值。
异常值包括过大值和过小值。

• 读取数据集

import pandas as pd
data = pd.read_csv("./tmp.tsv",sep="\t",encoding="gbk")
print(data.head(5))
print(data.shape)

去除重复行

拿到数据集的第一步，我们可以先做去除重复行的操作，该操作可以去除冗余数据，从而提高数据的准确性。

data.drop_duplicates(inplace=True) # 删除重复行
print(data.shape)

可以看到数据减少了两行

填充空值

去除重复行之后数据的样子：

可以看到剩余的数据还有空值的存在，所以接下来的一步就是填充空值。
我们可以使用中位数去填充，也可以使用这列的中值填充。

• 用中值填充

for col in data.columns:
    quantile = data[col].quantile()
    data[col].fillna(quantile,inplace=True)
print(data)

• 用均值填充

for col in data.columns:
    quantile = data[col].mean()
    data[col].fillna(quantile,inplace=True)
print(data)

去除异常值

填充空值之后，就可以观察数据，找到自己认为的正常数据的范围，并把脱离这个范围的数据整行去除，该操作可以不符合实际情况的异常数据删除，提高数据的质量和准确性，使得数据分析结果更加准确可靠。

查看去除异常值前的data形状：

for col in data.columns:
    q1 = data[col].quantile(0.25)
    q3 = data[col].quantile(0.75)

    iqr = q3 - q1
    data = data[(data[col] > q1 - 1.5*iqr) & (data[col] < q3 + 1.5*iqr)]

查看去除异常值后的数据形状

这里使用的是IQR方法：
IQR方法是一种基于四分位数的异常值检测方法。它通过计算每个数据点与四分位数之间的距离，来衡量数据点的离散程度。如果某个数据点距离四分位数的距离超过1.5倍的四分位距，则可以将其视为异常值并剔除。

其他常用操作

在数据集中还有一些查看表格的常用方法：

• df.describe()

查看数据的整体情况

• df.info()
  查看数据每列的基本类型，以及每列的空值数量