Python中的資料清洗方法是什麼

這裡資料清洗需要用到的函式庫是pandas函式庫，下載方式還是在終端機運作：pip install pandas.

首先我們需要對資料進行讀取

import pandas as pd
 
data = pd.read_csv(r'E:\PYthon\用户价值分析 RFM模型\data.csv')
pd.set_option('display.max_columns', 888)  # 大于总列数
pd.set_option('display.width', 1000)
print(data.head())
print(data.info())

第3行是對資料進行讀取，pandas函式庫裡面有讀取函數呼叫即可，csv格式是讀取寫入速度最快的。

第4，5行是為了讀取的實話顯示全部的列，是因為很多列的話pycharm會把中間一些列隱藏掉，所以我們這為了他不隱藏就加這兩行程式碼。

第6行是顯示表頭，我們可以看到有什麼字段，列名

第7行是顯示表的基本信息，每一列有多少數據，字段是什麼類型的數據。非空的資料有多少，所以我們第一步就可以看得到基本上那一列有空值了。

空值處理

data.info()後我們可以看到大部分資料都有541909行，所以我們大致猜到是Description ， CustomerID 列漏結果了

# 空值处理
print(data.isnull().sum())  # 空值中和，查看每一列的空值
 
# 空值删除
data.drop(columns=['Description'], inplace=True)
print(data.info())
data.isnull()判断是否为空。data.isnumll().sum()计算空值数量。

第5行進行空值刪除，這裡先刪除Description列的空值，inplace=True意思是對資料進行修改，如果沒有inplace=True，則不對data進行修改，列印資料還是跟之前一樣，或是重新定義一個變數進行賦值。

由於這一列空值資料比較少，這一列資料對我們資料分析沒有那麼重要，所以我們選擇刪除這一整列。

我們這個表格是對客戶進行篩選的，所以以CustomerID為準，強制刪除其他欄位

# CustomerID有空值
# 删除所有列的空值
data.dropna(inplace=True)
# print(data.info())
print(data.isnull().sum())  # 由于CustomerID为必须字段，所以强制删除其他列，以CustomerID为准

這裡我們先對其他欄位進行型別轉換

型別轉換

# 转换为日期类型
data['InvoiceDate'] = pd.to_datetime(data['InvoiceDate'])
 
# CustomerID 转换为整型
data['CustomerID'] = data['CustomerID'].astype('int')
print(data.info())

以上我們處理了空值，接下來我們處理例外值。

異常值處理

查看表的基本資料分佈可以使用describe

print(data.describe())

可以看到資料Quantity 列中最小值為-80995.這列明顯有異常值，所以需要對這列進行異常值篩選。

只需要大於0的值。

data = data[data['Quantity'] > 0]
print(data)

列印一下就只有397924行了。

重複值處理

# 查看重复值
print(data[data.duplicated()])

有5194行重複值，這裡的重複值是完全重複的，所以是沒用的資料我們可以刪除。

刪除重複值

# 删除重复值
data.drop_duplicates(inplace=True)
 
print(data.info())

刪除後對原來的表進行保存，再去查看一下表的基本資訊

現在還剩下392730條數據。資料到這一步就完成了資料清洗。

以上是Python中的資料清洗方法是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！