[[333143]]

0. 序言

在做數(shù)據(jù)分析之前，我們首先要明確數(shù)據(jù)分析的目標(biāo)，然后 應(yīng)用數(shù)據(jù)分析的思維，對(duì)目標(biāo)進(jìn)行細(xì)分，再采取相應(yīng)的行動(dòng)。

我們可以把數(shù)據(jù)分析細(xì)分為以下 8 個(gè)步驟：

• 讀取
• 清洗
• 操作
• 轉(zhuǎn)換
• 整理
• 分析
• 展現(xiàn)

(8)報(bào)告

在《 如何用 Python 讀取數(shù)據(jù)? 》這篇文章中，我們學(xué)習(xí)了從 5 種不同的地方讀取數(shù)據(jù)的方法，接下來，我們將利用其中的一種方法， 從 Excel 文件中讀取原始數(shù)據(jù)，然后利 用 Python 對(duì)它進(jìn)行清洗。

下面我們用一副待清洗的撲克牌作為示例，假設(shè)它保存在代碼文件相同的目錄下，在 Jupyter Lab 環(huán)境中運(yùn)行以下代碼：

import numpy as np 
import pandas as pd 
 
# 設(shè)置最多顯示 10 行 
pd.set_option('max_rows', 10) 
 
# 從 Excel 文件中讀取原始數(shù)據(jù) 
df = pd.read_excel( 
    '待清洗的撲克牌數(shù)據(jù)集.xlsx' 
) 
 
df 

返回結(jié)果如下：

這幅待清洗的撲克牌數(shù)據(jù)集，有一些異常情況，包括：大小王的花色是缺失的，有兩張重復(fù)的黑桃:spades: A，還有一張異常的 黑桃 :spades: 30。

1. 如何查找異常?

在正式開始清洗數(shù)據(jù)之前，往往需要先把異常數(shù)據(jù)找出來，觀察異常數(shù)據(jù)的特征，然后再?zèng)Q定清洗的方法。

# 查找「花色」缺失的行 
df[df.花色.isnull()] 

# 查找完全重復(fù)的行 
df[df.duplicated()] 

# 查找某一列重復(fù)的行 
df[df.編號(hào).duplicated()] 

# 查找牌面的所有唯一值 
df.牌面.unique() 

返回結(jié)果：

array(['大王', '小王', 'A', '30', 4, 5, 6, 7, 8, 9, 10, 'J', 'Q', 'K', 2, 3], dtype=object)

根據(jù)常識(shí)可以判斷，牌面為 30 的是異常值。

# 查找「牌面」包含 30 的異常值 
df[df.牌面.isin(['30'])] 

# 查找王牌，模糊匹配 
df[df.牌面.str.contains( 
    '王', na=False 
)] 

# 查找編號(hào)在 1 到 5 之間的行 
df[df.編號(hào).between(1, 5)] 

查找某個(gè)區(qū)間，也可以用邏輯運(yùn)算的方法來實(shí)現(xiàn)：

# 查找編號(hào)在 1 到 5 之間的行 
df[(df.編號(hào) >= 1) 
   & (df.編號(hào) <= 5)] 

其中「 & 」代表必須同時(shí)滿足兩邊的條件，也就是「且」的意思。

還可以用下面等價(jià)的方法：

# 查找編號(hào)在 1 到 5 之間的行 
df[~((df.編號(hào) < 1) 
     | (df.編號(hào) > 5))] 

其中「 | 」代表兩邊的條件滿足一個(gè)即可，也就是「或」的意思，「 ~ 」代表取反，也就是「非」的意思。

2. 如何排除重復(fù)?

使用 drop_duplicates() 函數(shù)，在排除重復(fù)之后，會(huì)得到一個(gè)新的數(shù)據(jù)框。

# 排除完全重復(fù)的行，默認(rèn)保留第一行 
df.drop_duplicates() 

返回結(jié)果如下：

如果想要改變?cè)瓉淼臄?shù)據(jù)框，有兩種方法，一種方法，是增加 inplace 參數(shù)：

# 排除重復(fù)后直接替換原來的數(shù)據(jù)框 
df.drop_duplicates( 
    inplace=True 
) 

另一種方法，是把得到的結(jié)果，重新賦值給原來的數(shù)據(jù)框：

# 排除重復(fù)后，重新賦值給原來的數(shù)據(jù)框 
df = df.drop_duplicates() 

如果想要按某一列排除重復(fù)的數(shù)據(jù)，那么指定相應(yīng)的列名即可。

# 按某一列排除重復(fù)，默認(rèn)保留第一行 
df.drop_duplicates(['花色']) 

如果想要保留重復(fù)的最后一行，那么需要指定 keep 參數(shù)。

# 按某一列排除重復(fù)，并保留最后一行 
df.drop_duplicates( 
    ['花色'], keep='last' 
) 

從上面兩個(gè)返回結(jié)果的編號(hào)可以看出，不同方法的差異情況。

3. 如何刪除缺失?

使用 dropna() 函數(shù)，默認(rèn)刪除包含缺失的行。為了更加簡(jiǎn)單易懂，我們用撲克牌中不重復(fù)的花色作為示例。

# 不重復(fù)的花色 
color = df.drop_duplicates( 
    ['花色'] 
) 
 
color 

# 刪除包含缺失值的行 
color.dropna() 

如果想要?jiǎng)h除整行全部為空的行，那么需要指定 how 參數(shù)。

# 刪除全部為空的行 
color.dropna(how='all') 

如果想要?jiǎng)h除包含缺失值的列，那么需要指定 axis 參數(shù)。

# 刪除包含缺失值的列 
color.dropna(axis=1) 

可以看到，包含缺失值的「花色」這一列被刪除了。

4. 如何補(bǔ)全缺失?

使用 fillna() 函數(shù)，可以將缺失值填充為我們指定的值。

# 補(bǔ)全缺失值 
color.fillna('Joker') 

可以看到，原來的 NaN 被填充為 Joker，在實(shí)際工作的應(yīng)用中，通常填充為 0，也就是說， fillna(0) 是比較常見的用法。

如果想要使用臨近的值來填充，那么需要指定 method 參數(shù)，例如：

# 用后面的值填充 
color.fillna(method='bfill') 

可以看到，原來第一行的 NaN 替換成了第二行的「黑桃:spades:」。

其中 method 還有一些其他的可選參數(shù)，詳情可以查看相關(guān)的幫助文檔。

還有一種按字典填充的方法。為了讓下面的演示更加直觀易懂，我們先把索引為 2 的牌面設(shè)置為缺失值：

# 為了演示，先指定一個(gè)缺失值 
color.loc[2, '牌面'] = np.nan 
 
color 

# 按列自定義補(bǔ)全缺失值 
color.fillna( 
    {'花色': 0, '牌面': 1} 
) 

可以看出，不同列的缺失值，可以填充為不同的值，花色這一列填充為 0，牌面這一列填充為 1，我在圖中分別用紅色的方框標(biāo)記出來了。

5. 應(yīng)用案例

下面 我們用 Python 代碼，把這幅待清洗的撲克牌數(shù)據(jù)集，變成一副正常的撲克牌數(shù)據(jù)。

import numpy as np 
import pandas as pd 
 
# 設(shè)置最多顯示 10 行 
pd.set_option('max_rows', 10) 
 
# 從 Excel 文件中讀取原始數(shù)據(jù) 
df = pd.read_excel( 
    '待清洗的撲克牌數(shù)據(jù)集.xlsx' 
) 
 
# 補(bǔ)全缺失值 
df = df.fillna('Joker') 
 
# 排除重復(fù)值 
df = df.drop_duplicates() 
 
# 修改異常值 
df.loc[4, '牌面'] = 3 
 
# 增加一張缺少的牌 
df = df.append( 
    {'編號(hào)': 4, 
     '花色': '黑桃♠', 
     '牌面': 2}, 
    ignore_index=True 
) 
 
# 按編號(hào)排序 
df = df.sort_values('編號(hào)') 
 
# 重置索引 
df = df.reset_index() 
 
# 刪除多余的列 
df = df.drop( 
    ['index'], axis=1 
) 
 
# 把清洗好的數(shù)據(jù)保存到 Excel 文件 
df.to_excel( 
    '完成清洗的撲克牌數(shù)據(jù).xlsx', 
    index=False 
) 
 
df 

返回結(jié)果如下：

• 可以看到，我們已經(jīng)成功地把它變成了一副正常的撲克牌數(shù)據(jù)。

6. 小結(jié)

我們簡(jiǎn)單回顧一下本文的主要內(nèi)容，首先，我們從宏觀層面介紹了數(shù)據(jù)分析的 8 個(gè)步驟，然后用一副待清洗的撲克牌數(shù)據(jù)集作為示例，從讀取數(shù)據(jù)，到查找異常，再到排除重復(fù)、刪除缺失和補(bǔ)全缺失，最后，我們用一個(gè)案例， 完整 演示了清洗數(shù)據(jù)的過程。