数据清洗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。

 

01 重复值处理

 

数据录入过程、数据整合过程都可能会产生重复数据，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。以如下数据为例:

 

>sample = 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],})

 

>sample

 

group  id   name  score

 

0      1   1    Bob   99.0

 

1      1   1    Bob   99.0

 

2      1   1   Mark   87.0

 

3      2   3   Miki   77.0

 

4      1   4  Sully   77.0

 

5      2   5   Rose    NaN

 

发现重复数据通过duplicated方法完成，如下所示，可以通过该方法查看重复的数据。

 

>sample[sample.duplicated()]

 

group  id   name  score

 

1      1   1    Bob   99.0

 

需要去重时，可drop_duplicates方法完成：

 

>sample.drop_duplicates()

 

group  id   name  score

 

0      1   1    Bob   99.0

 

2      1   1   Mark   87.0

 

3      2   3   Miki   77.0

 

4      1   4  Sully   77.0

 

5      2   5   Rose    NaN

 

drop_duplicates方法还可以按照某列去重，例如去除id列重复的所有记录：

 

>sample.drop_duplicates('id')

 

group  id   name  score

 

0      1   1    Bob   99.0

 

3      2   3   Miki   77.0

 

4      1   4  Sully   77.0

 

5      2   5   Rose    NaN

 

02 缺失值处理

 

缺失值是数据清洗中比较常见的问题，缺失值一般由NA表示，在处理缺失值时要遵循一定的原则。

 

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。一般来说当缺失值少于20%时，连续变量可以使用均值或中位数填补；分类变量不需要填补，单算一类即可，或者也可以用众数填补分类变量。

 

当缺失值处于20%-80%之间时，填补方法同上。另外每个有缺失值的变量可以生成一个指示哑变量，参与后续的建模。当缺失值多于80%时，每个有缺失值的变量生成一个指示哑变量，参与后续的建模，不使用原始变量。

 

在下图中展示了中位数填补缺失值和缺失值指示变量的生成过程。

 

Pandas提供了fillna方法用于替换缺失值数据，其功能类似于之前的replace方法，例如对于如下数据：

 

> sample

 

    group  id   name  score

 

0    1.0  1.0    Bob   99.0

 

1    1.0  1.0    Bob    NaN

 

2    NaN  1.0   Mark   87.0

 

3    2.0  3.0   Miki   77.0

 

4    1.0  4.0  Sully   77.0

 

5    NaN  NaN    NaN    NaN

 

分步骤进行缺失值的查看和填补如下：

 

1. 查看缺失情况

 

在进行数据分析前，一般需要了解数据的缺失情况，在Python中可以构造一个lambda函数来查看缺失值，该lambda函数中，sum(col.isnull())表示当前列有多少缺失，col.size表示当前列总共多少行数据：

 

>sample.apply(lambda col:sum(col.isnull())/col.size)

 

group    0.333333

 

id       0.166667

 

name     0.166667

 

score    0.333333

 

dtype: float64

 

2. 以指定值填补

 

pandas数据框提供了fillna方法完成对缺失值的填补，例如对sample表的列score填补缺失值，填补方法为均值：

 

>sample.score.fillna(sample.score.mean())

 

0    99.0

 

1    85.0

 

2    87.0

 

3    77.0

 

4    77.0

 

5    85.0

 

Name: score, dtype: float64

 

当然还可以以分位数等方法进行填补：

 

>sample.score.fillna(sample.score.median())

 

0    99.0

 

1    82.0

 

2    87.0

 

3    77.0

 

4    77.0

 

5    82.0

 

Name: score, dtype: float64

 

3. 缺失值指示变量

 

pandas数据框对象可以直接调用方法isnull产生缺失值指示变量，例如产生score变量的缺失值指示变量：

 

>sample.score.isnull()

 

0    False

 

1     True

 

2    False

 

3    False

 

4    False

 

5     True

 

Name: score, dtype: bool

 

若想转换为数值0，1型指示变量，可以使用apply方法，int表示将该列替换为int类型。

 

>sample.score.isnull().apply(int)

 

0    0

 

1    1

 

2    0

 

3    0

 

4    0

 

5    1

 

Name: score, dtype: int64