python数据分析之pandas数据清洗（数据查看、空值的处理）

一、准备工作（导入数据）

#导入必备数据分析库
import pandas as pd
import numpy as np

#导入excel数据文件
df = pd.DataFrame(pd.read_excel("TMao.xlsx")) 
#导入csv数据文件
# df = pd.DataFrame(pd.read_csv("Attributes.csv",header=1,sep=','))  #表示第一行为字段名

注意：

• 需要安装openpyxl库才可以读取xlsx文件，使用pip install openpyxl
• 以上导入文件的语句用一句即可。

二、数据查看

1、查看数据表的基本信息

（根据需要对数据进行总体上的查看，建议不要全部执行，而是一条一条依次执行查看效果）

#维度查看：返回几行几列，注意不要加()
df.shape

#查看列名称：类似于SQL中的desc
df.columns

#数据表基本信息（维度、列名称、数据格式、所占空间等）
df.info

#查看每一列数据的格式
df.dtypes
#某一列数据的格式
df['订单付款时间'].dtype
df['订单金额'].dtype

查看列名df.columns：

2、空值的与缺失值概念（NAN、NAT）

空值：在pandas中的空值是""，也叫空字符串；

缺失值：在dataframe中为NAN或者NAT（缺失时间），在series中为none或者nan

3、查看所有值是否为空值

（所有值全部列出来，不实用的操作，这里简单介绍一下用法）

#查看是否为空值
df.isnull()
#某一列的空值
df["订单付款时间"].isnull()

4、判断是否存在空值

# 查看所有值中是否存在空值
df.isnull().any()

# 判断某列是否存在空值
df["订单付款时间"].isnull().any()  #或者.values

# 打印空值行的数据
if df["订单付款时间"].isnull().any():
     print(df[df.isnull().values==True])
     print(df[df.isna().values==True])

5、唯一值查看

#查看某一列的唯一值
df["订单金额"].unique()

#查看数据表的值
df.values

#查看前几行/后几行的数据
df.head()  #默认前5行
df.tail(10)  #指定数值10，查看后10行的数据

三、数据清洗

1、空值的处理

1）删除含有空值的行或列：用dropna()时可以同时剔除Nan和NaT

# 准备工作
df.isnull().any()  #查看哪一列有空值，发现是<订单付款时间>列
print(df[df['订单付款时间'].isna().values==True])  #输出<订单付款时间>列存在空值的行

#清洗空值
df2 = df.dropna(axis=0,how='any',thresh=None,subset=None,inplace=False)  #删除含有空值的行或列 
df2['订单付款时间'].isna().any()  #查看是否还存在空值

#再次查看
df2.shape

axis:维度，axis=0表示index行,axis=1表示columns列，默认为0

how:"all"表示这一行或列中的元素全部缺失（为nan）才删除这一行或列，"any"表示这一行或列中只要有元素缺失，就删除这一行或列

thresh:一行或一列中至少出现了thresh个才删除。

subset：在某些列的子集中选择出现了缺失值的列删除，不在子集中的含有缺失值得列或行不会删除（有axis决定是行还是列）

inplace：刷选过缺失值得新数据是存为副本还是直接在原数据上进行修改。

2）若发现dropna()后仍然存在空值，则有可能其中并不是空值，而是空字符串，这里就可以将空字符串替换成空值再进行dropna()操作

df.replace(to_replace=r'^\s*$',value=np.nan,regex=True,inplace=True)
df['订单付款时间'].dropna()

3）填充含有空值的行或列（ffill / bfill）

df.isna().any()  #查看原数据表是否存在空值
df3 = df.fillna(method='ffill',axis=0,inplace=False,limit=None,downcast=None)
df3.isna().any()  #查看填充后的数据表是否存在空值

#用均值填充空值（mean方法）
df['订单金额'].fillna(df[订单金额].mean())

value:需要用什么值去填充缺失值

axis:确定填充维度，从行开始或是从列开始

method：ffill:用缺失值前面的一个值代替缺失值，如果axis=1，那么就是横向的前面的值替换后面的缺失值，如果axis=0，那么则是上面的值替换下面的缺失值。backfill/bfill，缺失值后面的一个值代替前面的缺失值。注意这个参数不能与value同时出现

limit:确定填充的个数，如果limit=2，则只填充两个缺失值。

2、格式转换

1）清除空格字符strip
调用map函数对str对象进行空格去除，若去除逗号可以用map(str.strip(‘,’))

df['收货地址']=df['收货地址'].map(str.strip())  

2）大小写转换lower/upper

df['编码']=df['编码'].strip().lower()  #大写同理，upper()

3）更改数据格式astype

df['订单金额'].astype('int')  #int整数类型，同理float浮点型

3、更改列名即字段名

df.rename(columns={'实付金额':'实付'})  #把实付金额，改成 实付

4、保留一个重复值

df['收货地址'].drop_duplicates()  #删除列中后出现的值
df['收货地址'].drop_duplicates(keep='last')  #删除列中先出现的值，即保留最后一个值

5、数据替换

把收货地址中的 四川 改为 四川省

df['收货地址'].replace('四川', '四川省')