一、数据清洗
// 读取csv文件
data = pd.read_csv('xxx.csv', encoding='gbk')
//查看列数、列名、列数据量、列格式等
data.info()
删除重复记录drop_duplicates()
data.drop_duplicates(keep = 'xxx',inplace=True)
# keep保留xxx行
查看是否存在缺失值isnull()
data.isnull().sum()
删除缺失值dropna()
# 删除带有na的整行数据
data.dropna(axis=0,how='any',inplace=True)
# axis=0,how='any'为默认值, how='all'为当整条记录所有字段均为na时。
删除非必要列drop()
data.drop(columns=['xxx'], inplace=True,axis=n)
#axis为按列删除第n列,列号为0,1,2,3......
更新索引reset_index()
# 删掉原索引,重置索引
data.reset_index(drop=True,inplace=True)
异常值处理
异常值:存在0值、数据标准差std在均值mean八倍以上等
# 查看数据 count、mean、std、min、25%、50%、75%分位数、max
data.describe()
更新数据类型
推荐使用to_numeric(),小心使用astype(),可以尝试使用infer_objects()。