python数据清洗—实战案例（清洗csv文件）

我也是最近才开始这方面的学习，这篇就当作学习的笔记，记录一下学习的过程

目录

• [ul]所以我们现在要解决的问题就是删除列名中的空格
• 接下来要解决的问题就是处理文件中的重复数据
• 接下来要处理的问题就是补全数据中的缺失值
• 全部代码

[/ul]

所要处理的数据

数据中主要存在的问题包括：

1.列名中存在空格
2.存在重复数据
3.存在缺失数据

导入pandas模块，打开数据文件

import pandas as pddf = pd.read_csv(\"ResourceFile.csv\")

当我们想要输出指定列名的时候，却报错了

print(df.名称)

但我们的列名中的确是有\”名称\”这一列的，为什么会显示没有\”名称\”这一列呢？我们输出列名看一下

方法一：

print(df.describe())

方法二：

# 只输出列名print(df.columns.values)

我们可以看到，列名\”名称\”是带有空格的，那如果我们这样写

print(df[\'  名称 \'])

就可以输出这一列的数据了

所以我们现在要解决的问题就是删除列名中的空格

使用比较简单的一种方法：列表推导式去空格

ClName = df.columns.values# 使用列表推导式df.columns = [x.strip() for x in ClName]print(df.columns.values)

成功删除空格

接下来要解决的问题就是处理文件中的重复数据

我们先来查看下一共有多少行数据，三种方法

方法一：

# 结果  (行数,列数)print(df.shape)

方法二：

print(df.info())

方法三：

# 查看索引信息print(df.index)

我们可以看到，通过三种方法得到的结果是一共有2794行数据

那我们现在来查看重复的数据

这里说的重复是指两行数据完全相同，如果只有部分数据相同，那不是重复

# 判断重复值 返回值类型为 Booleanprint(df.duplicated())

false表示没有重复，true表示有重复，默认从上到下比较，若上一行的数据和下一行的数据重复，则下一行标记为true

如果这样不太直观，我们可以直接查看有多少行重复的数据

# 返回重复的行数print(df.duplicated().sum())

还可以查看重复的数据行

# 布尔索引 显示重复数据print(df[df.duplicated()])

接下来就要删除这些重复的数据，两种方法

方法一：

这种方法不会对数据文件直接进行修改，而是生成一个临时表

# 删除重复值 不改变源数据 临时生成的表print(df.drop_duplicates())

输出的临时表是删除重复数据之后的表，我们可以看到，现在的数据只有614行

而此时如果再查看源数据文件的信息，可以看到，源数据文件中的数据并没有减少

print(df.info())

方法二：

这种方法会直接对源数据文件进行修改

# 删除重复值 修改源数据df.drop_duplicates(inplace=True)

查看源数据文件信息

print(df.info())

删除重复数据之后，我们要重置文件的索引

# 重置索引df.index = range(df.shape[0])

查看索引信息

print(df.index)

接下来要处理的问题就是补全数据中的缺失值

第一步，查看缺失值

方法一：

# 查看缺失值print(df.isnull())

没有缺失值标记为false，有缺失值标记为true

方法二：

# 查看没有缺失值print(df.notnull())

没有缺失值标记为true，有缺失值标记为false

方法三：

显示每一列中的缺失值数量

# 显示每一列中的缺失值数量print(df.isnull().sum())

方法四：

显示有缺失值的数据

# 显示\'特色\'列中有缺失值的数据print(df[df.特色.isnull()])

第二步，填补缺失值

# 提取\'特色\'列有缺失值的数据的\'区域\'列的值print(df.loc[df.特色.isnull(),\'区域\'])

填补\”级别\”列有缺失值的数据，填补内容为\”无级别\”

# 填补\"级别\"列有缺失值的数据，填补内容为\"无级别\"df.loc[df.级别.isnull(),\'级别\'] = \"无级别\"

查看’级别’列中缺失值的数量

print(df.isnull().sum())

填补\”特色\”列有缺失值的数据，填补内容为\”未知\”

# 填补\"特色\"列有缺失值的数据，填补内容为\"未知\"df.loc[df.特色.isnull(),\'特色\'] = \"未知\"

查看’特色’列中缺失值的数量

print(df.isnull().sum())

数据处理完成，保存文件

df.to_csv(\"ResourceFile.csv\")

查看数据文件

全部代码

import pandas as pddf = pd.read_csv(\"ResourceFile.csv\")# 列名列表ClName = df.columns.values# 使用列表推导式# 列名去空格df.columns = [x.strip() for x in ClName]# 删除重复值 修改源数据df.drop_duplicates(inplace=True)# 重置索引df.index = range(df.shape[0])# 填补\"级别\"列有缺失值的数据，填补内容为\"无级别\"df.loc[df.级别.isnull(),\'级别\'] = \"无级别\"# 填补\"特色\"列有缺失值的数据，填补内容为\"未知\"df.loc[df.特色.isnull(),\'特色\'] = \"未知\"# 保存文件df.to_csv(\"ResourceFile.csv\")