java 爬虫 数据清洗_爬虫练习之数据清洗——基于Pandas

本文介绍了如何使用Python的Pandas库对Java爬虫获取的51Job东莞地区招聘数据进行清洗,删除包含'小时'和'天'的薪资信息,以及含有特定关键词的职位名称,确保数据质量。
摘要由CSDN通过智能技术生成

本次以51Job上在东莞地区爬取的以Java为关键词的招聘数据

包括salary company time job_name address字段

当我把招聘网站上的数据爬下来的时候,内心是很开心的

8df7c0a7644c

爬下来的原始数据

但是!

What?!

这是什么数据?

而且还不止一条!!!

8df7c0a7644c

待清洗数据

8df7c0a7644c

待清洗数据

第一次数据清洗

根据上述截图可以发现,脏数据都包含了xx元/小时以及xx元/天。一般我们IT行业很少以小时或者以天计算工资(如果担心清洗了正确的数据,可以后面再做检验)

思路

首先寻找合适的Pandas函数

清理数据相关的函数有

drop()

duplicated()

drop_duplicates()

dropna()

我们并不是要去重, 而是要

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值