使用Pandas进行数据清洗

数据清洗的目的是修正异常值，以更好地进行运算和观察结果。通过Pandas对序列或数据帧的清洗分为两个步骤：异常检测和数据修正。

1.异常检测
Pandas中的空值用‘NaN’表示，可以通过调用isnull和notnull来检测序列对象和数据帧对象是否为异常值。

import pandas as pd

dic = {'name': ['Tom', 'Tony', 'Jack'], 'age': [16, 17, 18], 'class': [1, None, None]}
df = pd.DataFrame(dic)
df.isnull()

2.数据修正
数据检测完毕之后，需要对数据进行修正。

（1）填充值：将序列或者数据帧中的异常值“NaN”使用其他数据进行填充。

import pandas as pd

dic = {'name': ['Tom', 'Tony', 'Jack'], 'age': [16, 17, 18], 'class': [1, None, None]}
df = pd.DataFrame(dic)
df.fillna(0)

（2）替换值：对于一些明显出错的信息，如下列age列中的‘117’，‘118’就可以使用replace进行替换。

import pandas as pd

dic = {'name': ['Tom', 'Tony', 'Jack'], 'age': [16, 117, 118], 'class': [1, 1, 1]}
df = pd.DataFrame(dic)
df.replace({117:17, 118:18})

（3）删除值：删除异常值的同时会删除对应的数据行，可以使用dropna方法进行清除异常数据。
dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)
参数

• axis：默认为0，删除包含缺失值的行。若设置为1，删除包含缺失值的列（不建议这样做，因为可能删除一个特征）。
• how：默认值any，如果存在NaN值，就删除该行或该列。若设置为all，当所有值都是NaN值，才删除该行或该列。
• thresh：表示有效数据量的最小要求，如thresh=1，该行或该列至少有一个不是NaN值时会将其保留。
• subset：在特定的字集中寻找NaN值。
• inplace：表示是否在原数据上操作，如果设为True，则表示直接修改原数据；如果设为False，则表示修改原数据的副本，返回新数据。

import pandas as pd

dic = {'name': ['Tom', 'Tony', 'Jack'], 'age': [16, 17, 18], 'class': [1, None, None]}
df = pd.DataFrame(dic)

# 当thresh设置为2时，将不会修改任何数据
df.dropna(axis=0, thresh=3)