Pandas 数据清洗常见方法

01 读取数据

df=pd.read_csv('文件名称')

02 查看数据特征

df.info()

03 查看数据量

df.shape

04 查看各数字类型的统计量

df.describe()

05 去除重复值

df.drop_duplicates(inplace=True)

06 重置索引

data.reset_index(inplace=True,drop=True)

07 查看缺失值信息

data.loc[data['列名'].isnull()]

01 每一列数据的缺失值进行统计

data.isnull().sum()

08 填充缺失值

# 用0填充 data=data.fina(0) # 将这一列的空值填充为平均值，类型为int类型 df_all['列名'] = df_all.列名.fillna(int(df_all.列名.mean())).astype('int')

09 查看是否还有空值

data.isnull().any()

10 对某列数据计数统计

data['列名'].value_counts

11 对某列数据计数并排序

data['列名'].value_counts().sort_values()

01 统计店名的销售额，并排序

data.groupby('店名')['销售额'].sum().sort_values

12 遍历查看数据集所有列的数据类型

cols=df_tm.columns for col in cols: print(col+':'+str(df_tm[col].dtype))

13 转换数据类型

df['列名']=df.列名.astype('int')

01 去掉温度列后的℃，并将数据转为int类型

df.loc[:,'bwendu']=df['bwendu'].str.replace('℃','').astype('int32')

02 对某列数据转换类型

data['列名']=data['列名'].astype(int)

14 删除指定列中有空值的行

mydf.dropna(subset=['列名'],inplace=True) mysf=mydf.dropna(subset=['列名'])

15 过滤某列中不符合类型的数据

data=data[`data['列名'].isin(['你好'])]

16 转换时间格式

例：20110/02/02====》202-02-02

data['列名']=pd.to_datetime(data)['time']

17 删除某列

data.drop(['列名'],axis=1,inplace=True)

18 重命名列

rename_list={'原列名1:'新列名1',...} df.rename(rename_list,axis=1,inplace=True)

19 提取多列数据

df[['列1','列2','列3']]

20 多表合并

df_all=pd.merge(table1,table2,on='参照列'，how='inner')

21 去除空格

a.replace('\s+','',regex=True,inplace=True)

典型案例

01 提取国家和城市，生成新列

# ciy: 提取国家和城市 def transform_country(x): if '中国' in x: return '中国' else: return x def transform_city(x): if '中国' in x: return x[2:] else: return x df_all['country'] = df_all.city.map(lambda x: transform_country(x)) df_all['city'] = df_all.city.map(lambda x: transform_city(x))

02 提取数值

# height：提取数值 df_all['height'] = df_all.height.str.extract('(\d+)').astype('int') df_all.head(2)

03 提取年龄

# age: 提取年龄 df_all['age'] = df_all.age.str.extract('.*?\s*\（(.*?)岁\）').astype('float') df_all.head(2)

04 循环遍历某列所有数据，在后面加上指定字段：

data['列名'].apply(lambda x:str(x)+'天')

注释：str(x) 为了将数据转换为字符类型

05 提取汉字

df4['name'] = df4.name.str.extract('([\u4e00-\u9fa5]+)')

06 时间索引格式转换为普通列表格式

m3 = data1['出发时间'].value_counts().sort_index()[:] m4 = m3['2020'].index n4 = m3['2020'].values.tolist() # 将其转化为时间格式的数组 a1 = m4.to_pydatetime() # 时间转换成以下格式 a2 = np.vectorize(lambda s: s.strftime('%Y-%m-%d'))(a1) a3 = pd.Series(a2).tolist

输出m4,如下图所示

输出a1，如下

输出a2 ,如下

输出a3,如下