数据录入
df=pd.DataFrame({'id':[1,1,1,3,4,5],'name':['Bob','Bob','Mark','Miki','Sully','Rose'],
'score':[99,99,87,77,77,np.nan],
'group':[1,1,1,2,1,2]})
数据处理是数据分析的必备环节,在进行分析过程中,会有很多不符合分析要求的数据,例如重复、错误、缺失、异常类数据。捋以下数据处理方法。
一、重复值处理
直接删除是重复数据处理的主要方法。pandas提供查看、处理重复数据的方法duplicated和drop_duplicates。
df[df.duplicated()]#发现重复数据
df.drop_duplicates()#进行去重
df.drop_duplicates('id')#按照某列进行去重
二、缺失值处理
首先,需要根据业务理解处理缺失值,弄清楚缺失值产生的原因是故意缺失还是随机缺失,再通过一些业务经验进行填补。缺失值处理总括图如下。
在下图中展示了中位数填补缺失值和缺失指示哑变量的生成过程。