在数据处理与分析过程中，缺失值、重复值、异常值等问题是常见的挑战。
本文总结了多种数据清洗与处理方法：
缺失值处理包括删除缺失值、固定值填充、前后向填充以及删除缺失率高的列；
重复值处理通过删除或标记重复项解决数据冗余问题；
异常值处理采用替换或标记方法控制数据质量；
数据类型转换确保数据格式符合分析需求，例如转换为整数或日期类型；
文本清洗包括去空格、字符替换及转换大小写等操作。
此外，还介绍了数据分组统计、数据分箱与标准化的应用。例如，分组统计可按列求均值，数据分箱能为连续变量赋予分类标签，而归一化则通过压缩数据范围提升模型表现。这些方法能有效提高数据质量与分析效率，是数据科学中不可或缺的能。
缺失值处理
删除缺失值
|
1 2 3 |
df_dropped = df.dropna() print("\n删除缺失值后:") print(df_dropped) |
用固定值填充缺失值
|
1 2 3 4 5 6 7 |
df_filled = df.fillna({ 'title': 'Unknown', 'author': 'Unknown Author', 'price': df['price'].mean() }) print("\n填充缺失值后:") print(df_filled) |
前向填充
|
1 2 3 |
df_ffill = df.fillna(method='ffill') print("\n前向填充缺失值后:") print(df_ffill) |
后向填充
|
1 2 3 |
df_bfill = df.fillna(method='bfill') print("\n后向填充缺失值后:") print(df_bfill) |
删除缺失率高的列
|
1 2 3 |
df_dropped_cols = df.dropna(axis=1, thresh=len(df) * 0.5) print("\n删除缺失率高的列后:") print(df_dropped_cols) |
重复值处理
删除重复值
|
1 2 3 |
df_deduplicated = df.drop_duplicates() print("\n删除重复值后:") print(df_deduplicated) |
标记重复值
|
1 2 3 |
df['is_duplicate'] = df.duplicated() print("\n标记重复值后:") print(df) |
异常值处理
替换异常值
|
1 2 3 |
df['price'] = df['price'].apply(lambda x: x if 0 <= x <= 100 else df['price'].mean()) print("\n替换异常值后:") print(df) |
标记异常值
|
1 2 3 |
df['is_outlier'] = df['price'].apply(lambda x: 1 if x < 0 or x > 100 else 0) print("\n标记异常值后:") print(df) |
数据类型转换
转换为整数类型
|
1 2 3 |
df['price'] = df['price'].astype(int) print("\n转换为整数后:") print(df) |
转换为日期类型
|
1 2 3 |
df['date'] = pd.to_datetime(df['date'], errors='coerce') print("\n转换为日期类型后:") print(df) |
文本清洗
去掉两端空格
|
1 2 3 |
df['title'] = df['title'].str.strip() print("\n去掉两端空格后:") print(df) |
替换特定字符
|
1 2 3 |
df['title'] = df['title'].str.replace('[^a-zA-Z0-9\s]', '', regex=True) print("\n替换特定字符后:") print(df) |
转换为小写
|
1 2 3 |
df['title'] = df['title'].str.lower() print("\n转换为小写后:") print(df) |
数据分组统计
按列分组求均值
|
1 2 3 |
grouped = df.groupby('author')['price'].mean() print("\n按作者分组的平均价格:") print(grouped) |
数据分箱
按价格分箱
|
1 2 3 4 5 |
bins = [0, 10, 20, 30] labels = ['低', '中', '高'] df['price_level'] = pd.cut(df['price'], bins=bins, labels=labels, right=False) print("\n按价格分箱后:") print(df) |
数据标准化
归一化处理
|
1 2 3 4 5 |
from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() df['price_scaled'] = scaler.fit_transform(df[['price']]) print("\n归一化后的数据:") print(df) |
