【python 库】 pandas 教程

太过爱你忘了你带给我的痛 2022-09-05 01:50 330阅读 0赞

### 文章目录 ###

*  Pandas 安装
 *   *   *  1. 实例 - 查看 pandas 版本
         *  2. 一个简单的 pandas 实例：
 *  Pandas 数据结构 - Series
 *   *   *  1. 创建一个简单的 Series 实例（通过列表创建）：
         *  2. 索引说明
         *  3. 通过字典创建
         *  4. 设置 Series 名称参数
 *  Pandas 数据结构 - DataFrame
 *   *   *  1. 实例 - 使用列表创建
         *  2. 实例 - 使用 ndarrays 创建
         *  3. 实例 - 使用字典创建
         *  4. 数据索引
         *  5. 指定索引值
 *  Pandas CSV 文件
 *   *   *  1. 导入CSV文件
         *  2. 导出为csv文件
         *  3. 数据处理 - head()
         *  4. 数据处理 - tail()
         *  5. 数据处理 - info()
 *  Pandas JSON
 *   *   *  1. 将 JSON 字符串转化为 DataFrame
         *  2. 导入JSON
         *  3. 读取内嵌的 JSON 数据
         *  4. 读取内嵌数据中的一组数据
 *  Pandas 数据清洗
 *   *   *  1. Pandas 清洗空值
         *  2. Pandas 清洗格式错误数据
         *  3. Pandas 清洗错误数据
         *  4. Pandas 清洗重复数据

# Pandas 安装 #

安装 pandas 需要基础环境是 Python，开始前我们假定你已经安装了 Python 和 Pip。

--------------------

使用 pip 安装 pandas:

!pip install pandas

Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
    Requirement already satisfied: pandas in d:\anaconda3\lib\site-packages (1.2.4)
    Requirement already satisfied: pytz>=2017.3 in d:\anaconda3\lib\site-packages (from pandas) (2021.1)
    Requirement already satisfied: numpy>=1.16.5 in d:\anaconda3\lib\site-packages (from pandas) (1.21.2)
    Requirement already satisfied: python-dateutil>=2.7.3 in d:\anaconda3\lib\site-packages (from pandas) (2.8.1)
    Requirement already satisfied: six>=1.5 in d:\anaconda3\lib\site-packages (from python-dateutil>=2.7.3->pandas) (1.15.0)

### 1. 实例 - 查看 pandas 版本 ###

import pandas
    pandas.__version__  # 查看版本

'1.2.4'

导入 pandas 一般使用别名 `pd` 来代替：

import pandas as pd

### 2. 一个简单的 pandas 实例： ###

import pandas as pd
    
    mydataset = { 
      'sites': ["Google", "Runoob", "Wiki"],
      'number': [1, 2, 3]
    }
    
    myvar = pd.DataFrame(mydataset)
    
    print(myvar)

sites  number
    0  Google       1
    1  Runoob       2
    2    Wiki       3

# Pandas 数据结构 - Series #

Pandas Series 类似表格中的一个列（column），类似于一维数组，可以保存任何数据类型。

Series 由索引（index）和列组成，函数如下：

pandas.Series( data, index, dtype, name, copy)

参数说明：

*  `data`：一组数据(ndarray 类型)。
 *  `index`：数据索引标签，如果不指定，默认从 0 开始。
 *  `dtype`：数据类型，默认会自己判断。
 *  `name`：设置名称。
 *  `copy`：拷贝数据，默认为 False。

### 1. 创建一个简单的 Series 实例（通过列表创建）： ###

import pandas as pd
    
    a = [1, 2, 3]
    
    myvar = pd.Series(a)
    
    print(myvar)

0    1
    1    2
    2    3
    dtype: int64

### 2. 索引说明 ###

如果没有指定索引，索引值就从 0 开始，我们可以根据索引值读取数据：

print(myvar[1])

我们可以指定索引值，如下实例：

import pandas as pd
    
    a = ["Google", "Runoob", "Wiki"]
    
    myvar = pd.Series(a, index = ["x", "y", "z"])
    
    print(myvar)

x    Google
    y    Runoob
    z      Wiki
    dtype: object

根据索引值读取数据:

print(myvar["y"])

Runoob

### 3. 通过字典创建 ###

我们也可以使用 key/value 对象，类似字典来创建 Series （字典的 key 会变成索引值）：

import pandas as pd
    
    sites = { 1: "Google", 2: "Runoob", 3: "Wiki"}
    
    myvar = pd.Series(sites)
    
    print(myvar)

1    Google
    2    Runoob
    3      Wiki
    dtype: object

如果我们只需要字典中的一部分数据，只需要指定需要数据的索引即可，如下实例：

myvar = pd.Series(sites, index = [1, 2])
    
    print(myvar)

1    Google
    2    Runoob
    dtype: object

### 4. 设置 Series 名称参数 ###

myvar = pd.Series(sites, index = [1, 2], name="RUNOOB-Series-TEST" )
    
    print(myvar)

1    Google
    2    Runoob
    Name: RUNOOB-Series-TEST, dtype: object

# Pandas 数据结构 - DataFrame #

DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kboqKrjR-1629103208563)(https://www.runoob.com/wp-content/uploads/2021/04/pandas-DataStructure.png)\]

\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mhBGOiSW-1629103208570)(https://www.runoob.com/wp-content/uploads/2021/04/df-dp.png)\]

DataFrame 构造方法如下：

pandas.DataFrame( data, index, columns, dtype, copy)

参数说明：

*  `data`：一组数据(ndarray、series, map, lists, dict 等类型)。
 *  `index`：索引值，或者可以称为行标签。
 *  `columns`：列标签，默认为 RangeIndex (0, 1, 2, …, n) 。
 *  `dtype`：数据类型。
 *  `copy`：拷贝数据，默认为 False。

Pandas DataFrame 是一个二维的数组结构，类似二维数组。

### 1. 实例 - 使用列表创建 ###

import pandas as pd
    
    data = [['Google',10],['Runoob',12],['Wiki',13]]
    
    df = pd.DataFrame(data,columns=['Site','Age'],dtype=float)
    
    print(df)

Site   Age
    0  Google  10.0
    1  Runoob  12.0
    2    Wiki  13.0

以下实例使用 ndarrays 创建，ndarray 的长度必须相同， 如果传递了 index，则索引的长度应等于数组的长度。如果没有传递索引，则默认情况下，索引将是range(n)，其中n是数组长度。

ndarrays 可以参考：[NumPy Ndarray 对象][NumPy Ndarray]

### 2. 实例 - 使用 ndarrays 创建 ###

import pandas as pd
    
    data = { 'Site':['Google', 'Runoob', 'Wiki'], 'Age':[10, 12, 13]}
    
    df = pd.DataFrame(data)
    
    print (df)

Site  Age
    0  Google   10
    1  Runoob   12
    2    Wiki   13

还可以使用字典（key/value），其中字典的 key 为列名:

### 3. 实例 - 使用字典创建 ###

import pandas as pd
    
    data = [{ 'a': 1, 'b': 2},{ 'a': 5, 'b': 10, 'c': 20}]
    
    df = pd.DataFrame(data)
    
    print (df)

a   b     c
    0  1   2   NaN
    1  5  10  20.0

没有对应的部分数据为 NaN。

### 4. 数据索引 ###

Pandas 可以使用 `loc` 属性返回指定行的数据，如果没有设置索引，第一行索引为 0，第二行索引为 1，以此类推：

import pandas as pd
    
    data = { 
      "calories": [420, 380, 390],
      "duration": [50, 40, 45]
    }
    
    # 数据载入到 DataFrame 对象
    df = pd.DataFrame(data)
    
    print(df)

calories  duration
    0       420        50
    1       380        40
    2       390        45

# 返回第一行
    print(df.loc[0])

calories    420
    duration     50
    Name: 0, dtype: int64

# 返回第二行
    print(df.loc[1])

calories    380
    duration     40
    Name: 1, dtype: int64

**注意：** 返回结果其实就是一个 Pandas Series 数据。

--------------------

也可以返回多行数据，使用 `[[ ... ]]` 格式，`...` 为各行的索引，以逗号隔开：

# 返回第一行和第二行
    print(df.loc[[0, 1]])

calories  duration
    0       420        50
    1       380        40

**注意：** 返回结果其实就是一个 Pandas DataFrame 数据。

--------------------

### 5. 指定索引值 ###

我们可以指定索引值，如下实例：

df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
    
    print(df)

calories  duration
    day1       420        50
    day2       380        40
    day3       390        45

Pandas 可以使用 `loc` 属性返回指定索引对应到某一行：

# 指定索引
    print(df.loc["day2"])

calories    380
    duration     40
    Name: day2, dtype: int64

# Pandas CSV 文件 #

CSV（Comma-Separated Values，逗号分隔值，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。

CSV 是一种通用的、相对简单的文件格式，被用户、商业和科学广泛应用。

### 1. 导入CSV文件 ###

import pandas as pd
    
    #从文件导入
    df = pd.read_csv('./File/nba.csv')
    
    #从url导入
    df = pd.read_csv('https://static.runoob.com/download/nba.csv')
    
    print(df.to_string())

`to_string()` 用于返回 DataFrame 类型的数据，如果不使用该函数，则输出结果为数据的前面 5 行和末尾 5 行，中间部分以 `...` 代替。

print(df)

Name            Team  Number Position   Age Height  Weight  \
    0    Avery Bradley  Boston Celtics     0.0       PG  25.0    6-2   180.0   
    1      Jae Crowder  Boston Celtics    99.0       SF  25.0    6-6   235.0   
    2     John Holland  Boston Celtics    30.0       SG  27.0    6-5   205.0   
    3      R.J. Hunter  Boston Celtics    28.0       SG  22.0    6-5   185.0   
    4    Jonas Jerebko  Boston Celtics     8.0       PF  29.0   6-10   231.0   
    ..             ...             ...     ...      ...   ...    ...     ...   
    453   Shelvin Mack       Utah Jazz     8.0       PG  26.0    6-3   203.0   
    454      Raul Neto       Utah Jazz    25.0       PG  24.0    6-1   179.0   
    455   Tibor Pleiss       Utah Jazz    21.0        C  26.0    7-3   256.0   
    456    Jeff Withey       Utah Jazz    24.0        C  26.0    7-0   231.0   
    457            NaN             NaN     NaN      NaN   NaN    NaN     NaN   
    
                   College     Salary  
    0                Texas  7730337.0  
    1            Marquette  6796117.0  
    2    Boston University        NaN  
    3        Georgia State  1148640.0  
    4                  NaN  5000000.0  
    ..                 ...        ...  
    453             Butler  2433333.0  
    454                NaN   900000.0  
    455                NaN  2900000.0  
    456             Kansas   947276.0  
    457                NaN        NaN  
    
    [458 rows x 9 columns]

### 2. 导出为csv文件 ###

我们也可以使用 `to_csv()` 方法将 DataFrame 存储为 csv 文件：

import pandas as pd
       
    # 三个字段 name, site, age
    nme = ["Google", "Runoob", "Taobao", "Wiki"]
    st = ["www.google.com", "www.runoob.com", "www.taobao.com", "www.wikipedia.org"]
    ag = [90, 40, 80, 98]
       
    # 字典
    dict = { 'name': nme, 'site': st, 'age': ag}
         
    df = pd.DataFrame(dict)

# 保存 dataframe
    df.to_csv('./File/site.csv')

执行成功后，我们打开 site.csv 文件，显示结果如下：  
\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dBb8ukVy-1629103208572)(https://www.runoob.com/wp-content/uploads/2021/05/9758194A-0D8E-4C53-95A0-157C690614E6.jpg)\]

### 3. 数据处理 - head() ###

`head( n )` 方法用于读取前面的 n 行，如果不填参数 n ，默认返回 5 行。

import pandas as pd
    
    df = pd.read_csv('./File/nba.csv')
    
    print(df.head())

### 4. 数据处理 - tail() ###

`tail( n )` 方法用于读取尾部的 n 行，如果不填参数 n ，默认返回 5 行，空行各个字段的值返回 NaN。

print(df.tail())

Name       Team  Number Position   Age Height  Weight College  \
    453  Shelvin Mack  Utah Jazz     8.0       PG  26.0    6-3   203.0  Butler   
    454     Raul Neto  Utah Jazz    25.0       PG  24.0    6-1   179.0     NaN   
    455  Tibor Pleiss  Utah Jazz    21.0        C  26.0    7-3   256.0     NaN   
    456   Jeff Withey  Utah Jazz    24.0        C  26.0    7-0   231.0  Kansas   
    457           NaN        NaN     NaN      NaN   NaN    NaN     NaN     NaN   
    
            Salary  
    453  2433333.0  
    454   900000.0  
    455  2900000.0  
    456   947276.0  
    457        NaN

### 5. 数据处理 - info() ###

`info()` 方法返回表格的一些基本信息：

print(df.info())

<class 'pandas.core.frame.DataFrame'>
    RangeIndex: 458 entries, 0 to 457
    Data columns (total 9 columns):
     #   Column    Non-Null Count  Dtype  
    ---  ------    --------------  -----  
     0   Name      457 non-null    object 
     1   Team      457 non-null    object 
     2   Number    457 non-null    float64
     3   Position  457 non-null    object 
     4   Age       457 non-null    float64
     5   Height    457 non-null    object 
     6   Weight    457 non-null    float64
     7   College   373 non-null    object 
     8   Salary    446 non-null    float64
    dtypes: float64(4), object(5)
    memory usage: 32.3+ KB
    None

# Pandas JSON #

JSON（JavaScript Object Notation，JavaScript 对象表示法），是存储和交换文本信息的语法，类似 XML。

JSON 比 XML 更小、更快，更易解析，更多 JSON 内容可以参考 [JSON 教程][JSON]。

### 1. 将 JSON 字符串转化为 DataFrame ###

import pandas as pd
    
    data =[
        { 
          "id": "A001",
          "name": "菜鸟教程",
          "url": "www.runoob.com",
          "likes": 61
        },
        { 
          "id": "A002",
          "name": "Google",
          "url": "www.google.com",
          "likes": 124
        },
        { 
          "id": "A003",
          "name": "淘宝",
          "url": "www.taobao.com",
          "likes": 45
        }
    ]
    df = pd.DataFrame(data)
    
    print(df)

id    name             url  likes
    0  A001    菜鸟教程  www.runoob.com     61
    1  A002  Google  www.google.com    124
    2  A003      淘宝  www.taobao.com     45

### 2. 导入JSON ###

其中 `to_string()` 用于返回 DataFrame 类型的数据。

import pandas as pd
    
    #从文件导入
    df = pd.read_json('./File/sites.json')
    
    #从url导入
    df = pd.read_json('https://static.runoob.com/download/sites.json')
       
    print(df.to_string())

id    name             url  likes
    0  A001    菜鸟教程  www.runoob.com     61
    1  A002  Google  www.google.com    124
    2  A003      淘宝  www.taobao.com     45

### 3. 读取内嵌的 JSON 数据 ###

假设有一组内嵌的 JSON 数据文件 `nested_list.json` ：

{ 
        "school_name": "ABC primary school",
        "class": "Year 1",
        "students": [
        { 
            "id": "A001",
            "name": "Tom",
            "math": 60,
            "physics": 66,
            "chemistry": 61
        },
        { 
            "id": "A002",
            "name": "James",
            "math": 89,
            "physics": 76,
            "chemistry": 51
        },
        { 
            "id": "A003",
            "name": "Jenny",
            "math": 79,
            "physics": 90,
            "chemistry": 78
        }]
    }

使用以下代码格式化完整内容：

import pandas as pd
    
    df = pd.read_json('./File/nested_list.json')
    
    print(df)

school_name   class  \
    0  ABC primary school  Year 1   
    1  ABC primary school  Year 1   
    2  ABC primary school  Year 1   
    
                                                students  
    0  {'id': 'A001', 'name': 'Tom', 'math': 60, 'phy...  
    1  {'id': 'A002', 'name': 'James', 'math': 89, 'p...  
    2  {'id': 'A003', 'name': 'Jenny', 'math': 79, 'p...

可以看出输出结果并不理想，这时我们就需要使用到 `json_normalize()` 方法将内嵌的数据完整的解析出来：

import pandas as pd
    import json

# 使用 Python JSON 模块载入数据
    with open('./File/nested_list.json','r') as f:
        data = json.loads(f.read())

# 展平数据
    df_nested_list = pd.json_normalize(data, record_path =['students'])
    print(df_nested_list)

id   name  math  physics  chemistry
    0  A001    Tom    60       66         61
    1  A002  James    89       76         51
    2  A003  Jenny    79       90         78

# 展平数据
    df_nested_list = pd.json_normalize(
        data,
        record_path =['students'],
        meta=['school_name', 'class']
    )
    print(df_nested_list)

id   name  math  physics  chemistry         school_name   class
    0  A001    Tom    60       66         61  ABC primary school  Year 1
    1  A002  James    89       76         51  ABC primary school  Year 1
    2  A003  Jenny    79       90         78  ABC primary school  Year 1

`json_normalize()` 使用了参数 `record_path` 并设置为 `['students']` 用于展开内嵌的 JSON 数据 `students`。

显示结果还没有包含 `school_name` 和 `class` 元素，如果需要展示出来可以使用 `meta` 参数来显示这些元数据

--------------------

接下来，让我们尝试读取更复杂的 JSON 数据，该数据嵌套了列表和字典，数据文件 nested\_mix.json 如下：

{ 
        "school_name": "local primary school",
        "class": "Year 1",
        "info": { 
          "president": "John Kasich",
          "address": "ABC road, London, UK",
          "contacts": { 
            "email": "admin@e.com",
            "tel": "123456789"
          }
        },
        "students": [
        { 
            "id": "A001",
            "name": "Tom",
            "math": 60,
            "physics": 66,
            "chemistry": 61
        },
        { 
            "id": "A002",
            "name": "James",
            "math": 89,
            "physics": 76,
            "chemistry": 51
        },
        { 
            "id": "A003",
            "name": "Jenny",
            "math": 79,
            "physics": 90,
            "chemistry": 78
        }]
    }

import pandas as pd
    import json
    
    # 使用 Python JSON 模块载入数据
    with open('./File/nested_mix.json','r') as f:
        data = json.loads(f.read())
        
    df = pd.json_normalize(
        data,
        record_path =['students'],
        meta=[
            'class',
            ['info', 'president'],
            ['info', 'contacts', 'tel']
        ]
    )
    
    print(df)

id   name  math  physics  chemistry   class info.president  \
    0  A001    Tom    60       66         61  Year 1    John Kasich   
    1  A002  James    89       76         51  Year 1    John Kasich   
    2  A003  Jenny    79       90         78  Year 1    John Kasich   
    
      info.contacts.tel  
    0         123456789  
    1         123456789  
    2         123456789

### 4. 读取内嵌数据中的一组数据 ###

以下是实例文件 nested\_deep.json，我们只读取内嵌中的 math 字段：

{ 
        "school_name": "local primary school",
        "class": "Year 1",
        "students": [
        { 
            "id": "A001",
            "name": "Tom",
            "grade": { 
                "math": 60,
                "physics": 66,
                "chemistry": 61
            }
     
        },
        { 
            "id": "A002",
            "name": "James",
            "grade": { 
                "math": 89,
                "physics": 76,
                "chemistry": 51
            }
           
        },
        { 
            "id": "A003",
            "name": "Jenny",
            "grade": { 
                "math": 79,
                "physics": 90,
                "chemistry": 78
            }
        }]
    }

这里我们需要使用到 `glom` 模块来处理数据套嵌，`glom` 模块允许我们使用 `.` 来访问内嵌对象的属性。

第一次使用我们需要安装 `glom`：

!pip3 install glom

Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
    Collecting glom
      Downloading https://pypi.tuna.tsinghua.edu.cn/packages/5a/e2/977d77f6e0c34902f05a0754beb5950ea70c3c3c935d571fccac9540b57a/glom-20.11.0-py2.py3-none-any.whl (97 kB)
    Collecting boltons>=19.3.0
      Downloading https://pypi.tuna.tsinghua.edu.cn/packages/f7/a7/1a31561d10a089fcb46fe286766dd4e053a12f6e23b4fd1c26478aff2475/boltons-21.0.0-py2.py3-none-any.whl (193 kB)
    Collecting face>=20.1.0
      Downloading https://pypi.tuna.tsinghua.edu.cn/packages/ae/ab/2b18c4815f3db1e04bce325271fefda55d0893738ea84e3a655218944b03/face-20.1.1.tar.gz (46 kB)
    Requirement already satisfied: attrs in d:\anaconda3\lib\site-packages (from glom) (20.3.0)
    Building wheels for collected packages: face
      Building wheel for face (setup.py): started
      Building wheel for face (setup.py): finished with status 'done'
      Created wheel for face: filename=face-20.1.1-py3-none-any.whl size=51078 sha256=1547f9fd13aea806ec4b29d006a5527a22ef2f5814da457d8d28be3b6c1441e0
      Stored in directory: c:\users\dell\appdata\local\pip\cache\wheels\38\1e\e8\a4032cdb26900d12a09e565200404c1ceb4756fab5ae346f52
    Successfully built face
    Installing collected packages: boltons, face, glom
    Successfully installed boltons-21.0.0 face-20.1.1 glom-20.11.0

import pandas as pd
    from glom import glom

df = pd.read_json('./File/nested_deep.json')
    print(df)

school_name   class  \
    0  local primary school  Year 1   
    1  local primary school  Year 1   
    2  local primary school  Year 1   
    
                                                students  
    0  {'id': 'A001', 'name': 'Tom', 'grade': {'math'...  
    1  {'id': 'A002', 'name': 'James', 'grade': {'mat...  
    2  {'id': 'A003', 'name': 'Jenny', 'grade': {'mat...

`dataframe.apply(function, axis)` 对一行或一列做出一些操作

*  `axis = 1` 遍历行（默认）
 *  `axis = 0` 遍历列

# 第0行 
    print(df['students'][0])
    
    df['students'][0]

{'id': 'A001', 'name': 'Tom', 'grade': {'math': 60, 'physics': 66, 'chemistry': 61}}
    
    
    
    
    
    {'id': 'A001',
     'name': 'Tom',
     'grade': {'math': 60, 'physics': 66, 'chemistry': 61}}

# 遍历每一行并打印
    df['students'].apply(print) 
    
    #每一行都打印了出来，但每次打印返回值均为0，因此三行均为None

{'id': 'A001', 'name': 'Tom', 'grade': {'math': 60, 'physics': 66, 'chemistry': 61}}
    {'id': 'A002', 'name': 'James', 'grade': {'math': 89, 'physics': 76, 'chemistry': 51}}
    {'id': 'A003', 'name': 'Jenny', 'grade': {'math': 79, 'physics': 90, 'chemistry': 78}}
    
    
    
    
    
    0    None
    1    None
    2    None
    Name: students, dtype: object

# 读取第0行 math 字段
    glom(df['students'][0], 'grade.math')

# 读取所有三行 math 字段 并组合为新的 Series
    data = df['students'].apply(lambda row: glom(row, 'grade.math'))
    print(data)

0    60
    1    89
    2    79
    Name: students, dtype: int64

# Pandas 数据清洗 #

数据清洗是对一些没有用的数据进行处理的过程。

很多数据集存在数据缺失、数据格式错误、错误数据或重复数据的情况，如果要对使数据分析更加准确，就需要对这些没有用的数据进行处理。

在这个教程中，我们将利用 Pandas包来进行数据清洗。

本文使用到的测试数据 [property-data.csv][] 如下：

![\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DJOBvbmb-1629103208575)(https://www.runoob.com/wp-content/uploads/2021/06/6A6DE9DA-E0EE-4001-8C21-1D6A8EBF70FF.jpeg)\]][img-DJOBvbmb-1629103208575_https_www.runoob.com_wp-content_uploads_2021_06_6A6DE9DA-E0EE-4001-8C21-1D6A8EBF70FF.jpeg]

上表包含来四种空数据：

*  n/a
 *  NA
 *  —
 *  na

**导入数据：**

import pandas as pd
    
    df = pd.read_csv('./File/property-data.csv')
    
    print(df)

PID  ST_NUM     ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
    0  100001000.0   104.0      PUTNAM            Y            3        1  1000
    1  100002000.0   197.0   LEXINGTON            N            3      1.5    --
    2  100003000.0     NaN   LEXINGTON            N          NaN        1   850
    3  100004000.0   201.0    BERKELEY           12            1      NaN   700
    4          NaN   203.0    BERKELEY            Y            3        2  1600
    5  100006000.0   207.0    BERKELEY            Y          NaN        1   800
    6  100007000.0     NaN  WASHINGTON          NaN            2   HURLEY   950
    7  100008000.0   213.0     TREMONT            Y            1        1   NaN
    8  100009000.0   215.0     TREMONT            Y           na        2  1800

### 1. Pandas 清洗空值 ###

**(1) 判断判断各个单元格是否为空 : `isnull()`**

print (df.isnull())

PID  ST_NUM  ST_NAME  OWN_OCCUPIED  NUM_BEDROOMS  NUM_BATH  SQ_FT
    0  False   False    False         False         False     False  False
    1  False   False    False         False         False     False  False
    2  False    True    False         False          True     False  False
    3  False   False    False         False         False      True  False
    4   True   False    False         False         False     False  False
    5  False   False    False         False          True     False  False
    6  False    True    False          True         False     False  False
    7  False   False    False         False         False     False   True
    8  False   False    False         False         False     False  False

以上例子中我们看到 Pandas 把 n/a 和 NA 当作空数据，na 不是空数据，不符合我们要求，我们可以**指定空数据类型**：

missing_values = ["n/a", "na", "--"]
    
    df = pd.read_csv('./File/property-data.csv', na_values = missing_values)
    
    print(df)

PID  ST_NUM     ST_NAME OWN_OCCUPIED  NUM_BEDROOMS NUM_BATH   SQ_FT
    0  100001000.0   104.0      PUTNAM            Y           3.0        1  1000.0
    1  100002000.0   197.0   LEXINGTON            N           3.0      1.5     NaN
    2  100003000.0     NaN   LEXINGTON            N           NaN        1   850.0
    3  100004000.0   201.0    BERKELEY           12           1.0      NaN   700.0
    4          NaN   203.0    BERKELEY            Y           3.0        2  1600.0
    5  100006000.0   207.0    BERKELEY            Y           NaN        1   800.0
    6  100007000.0     NaN  WASHINGTON          NaN           2.0   HURLEY   950.0
    7  100008000.0   213.0     TREMONT            Y           1.0        1     NaN
    8  100009000.0   215.0     TREMONT            Y           NaN        2  1800.0

print (df.isnull())

PID  ST_NUM  ST_NAME  OWN_OCCUPIED  NUM_BEDROOMS  NUM_BATH  SQ_FT
    0  False   False    False         False         False     False  False
    1  False   False    False         False         False     False   True
    2  False    True    False         False          True     False  False
    3  False   False    False         False         False      True  False
    4   True   False    False         False         False     False  False
    5  False   False    False         False          True     False  False
    6  False    True    False          True         False     False  False
    7  False   False    False         False         False     False   True
    8  False   False    False         False          True     False  False

**(2) 删除包含空数据的行或列：`dropna()`**

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

**参数说明：**

*  `axis`：默认为 0，表示逢空值剔除整行，如果设置参数 axis＝1 表示逢空值去掉整列。
 *  `how`：默认为 ‘any’ 如果一行（或一列）里任何一个数据有出现 NA 就去掉整行，如果设置 how=‘all’ 一行（或列）都是 NA 才去掉这整行。
 *  `thresh`：设置需要多少非空值的数据才可以保留下来的。
 *  `subset`：设置想要检查的列。如果是多个列，可以使用列名的 list 作为参数。
 *  `inplace`：如果设置 True，将计算得到的值直接覆盖之前的值并返回 None，修改的是源数据。

**注意：** 默认情况下，dropna() 方法返回一个新的 DataFrame，不会修改源数据。

如果你要修改源数据 DataFrame, 可以使用 inplace = True 参数:

# 删除包含空数据的行
    
    new_df = df.dropna()
    
    print(new_df.to_string())

PID  ST_NUM ST_NAME OWN_OCCUPIED  NUM_BEDROOMS NUM_BATH   SQ_FT
    0  100001000.0   104.0  PUTNAM            Y           3.0        1  1000.0

# 移除指定列有空值的行
    
    new_df = df.dropna(subset=['ST_NUM'])
    
    print(new_df.to_string())

PID  ST_NUM    ST_NAME OWN_OCCUPIED  NUM_BEDROOMS NUM_BATH   SQ_FT
    0  100001000.0   104.0     PUTNAM            Y           3.0        1  1000.0
    1  100002000.0   197.0  LEXINGTON            N           3.0      1.5     NaN
    3  100004000.0   201.0   BERKELEY           12           1.0      NaN   700.0
    4          NaN   203.0   BERKELEY            Y           3.0        2  1600.0
    5  100006000.0   207.0   BERKELEY            Y           NaN        1   800.0
    7  100008000.0   213.0    TREMONT            Y           1.0        1     NaN
    8  100009000.0   215.0    TREMONT            Y           NaN        2  1800.0

**(3) 替换空字段：`fillna()`**

# 使用 12345 替换空字段：
    
    new_df = df.fillna(12345)
    
    print(new_df.to_string())

PID   ST_NUM     ST_NAME OWN_OCCUPIED  NUM_BEDROOMS NUM_BATH    SQ_FT
    0  100001000.0    104.0      PUTNAM            Y           3.0        1   1000.0
    1  100002000.0    197.0   LEXINGTON            N           3.0      1.5  12345.0
    2  100003000.0  12345.0   LEXINGTON            N       12345.0        1    850.0
    3  100004000.0    201.0    BERKELEY           12           1.0    12345    700.0
    4      12345.0    203.0    BERKELEY            Y           3.0        2   1600.0
    5  100006000.0    207.0    BERKELEY            Y       12345.0        1    800.0
    6  100007000.0  12345.0  WASHINGTON        12345           2.0   HURLEY    950.0
    7  100008000.0    213.0     TREMONT            Y           1.0        1  12345.0
    8  100009000.0    215.0     TREMONT            Y       12345.0        2   1800.0

# 指定某一个列来替换数据
    
    df['PID'].fillna(12345, inplace = True)
    
    print(df.to_string())

PID  ST_NUM     ST_NAME OWN_OCCUPIED  NUM_BEDROOMS NUM_BATH   SQ_FT
    0  100001000.0   104.0      PUTNAM            Y           3.0        1  1000.0
    1  100002000.0   197.0   LEXINGTON            N           3.0      1.5     NaN
    2  100003000.0     NaN   LEXINGTON            N           NaN        1   850.0
    3  100004000.0   201.0    BERKELEY           12           1.0      NaN   700.0
    4      12345.0   203.0    BERKELEY            Y           3.0        2  1600.0
    5  100006000.0   207.0    BERKELEY            Y           NaN        1   800.0
    6  100007000.0     NaN  WASHINGTON          NaN           2.0   HURLEY   950.0
    7  100008000.0   213.0     TREMONT            Y           1.0        1     NaN
    8  100009000.0   215.0     TREMONT            Y           NaN        2  1800.0

**扩展：替换空单元格的常用方法是计算列的均值、中位数值或众数**

Pandas使用 `mean()`、`median()` 和 `mode()` 方法计算列的均值（所有值加起来的平均值）、中位数值（排序后排在中间的数）和众数（出现频率最高的数）。

# 使用 mean() 方法计算列的均值并替换空单元格
    
    import pandas as pd
    
    df = pd.read_csv('./File/property-data.csv')
    
    x = df["ST_NUM"].mean()
    
    df["ST_NUM"].fillna(x, inplace = True)
    
    print(df.to_string())

PID      ST_NUM     ST_NAME OWN_OCCUPIED NUM_BEDROOMS NUM_BATH SQ_FT
    0  100001000.0  104.000000      PUTNAM            Y            3        1  1000
    1  100002000.0  197.000000   LEXINGTON            N            3      1.5    --
    2  100003000.0  191.428571   LEXINGTON            N          NaN        1   850
    3  100004000.0  201.000000    BERKELEY           12            1      NaN   700
    4          NaN  203.000000    BERKELEY            Y            3        2  1600
    5  100006000.0  207.000000    BERKELEY            Y          NaN        1   800
    6  100007000.0  191.428571  WASHINGTON          NaN            2   HURLEY   950
    7  100008000.0  213.000000     TREMONT            Y            1        1   NaN
    8  100009000.0  215.000000     TREMONT            Y           na        2  1800

### 2. Pandas 清洗格式错误数据 ###

数据格式错误的单元格会使数据分析变得困难，甚至不可能。

我们可以通过包含空单元格的行，或者将列中的所有单元格转换为相同格式的数据。

以下实例会 **格式化日期**：

import pandas as pd
    
    # 第三个日期格式错误
    data = { 
      "Date": ['2020/12/01', '2020/12/02' , '20201226'],
      "duration": [50, 40, 45]
    }
    
    df = pd.DataFrame(data, index = ["day1", "day2", "day3"])
    
    df['Date'] = pd.to_datetime(df['Date'])
    
    print(df.to_string())

Date  duration
    day1 2020-12-01        50
    day2 2020-12-02        40
    day3 2020-12-26        45

### 3. Pandas 清洗错误数据 ###

数据错误也是很常见的情况，我们可以对错误的数据进行替换或移除。

导入有关年龄的数据：

import pandas as pd
    
    person = { 
      "name": ['Google', 'Runoob' , 'Taobao'],
      "age": [50, 40, 12345]    # 12345 年龄数据是错误的
    }

# 替换错误年龄的数据
    
    df = pd.DataFrame(person)
    
    df.loc[2, 'age'] = 30 # 修改数据
    
    print(df.to_string())

name  age
    0  Google   50
    1  Runoob   40
    2  Taobao   30

# 也可以设置条件语句
    # 将 age 大于 120 的设置为 120
    
    df = pd.DataFrame(person)
    
    for x in df.index:
      if df.loc[x, "age"] > 120:
        df.loc[x, "age"] = 120
    
    print(df.to_string())

name  age
    0  Google   50
    1  Runoob   40
    2  Taobao  120

# 将错误数据的行删除
    
    df = pd.DataFrame(person)
    
    for x in df.index:
      if df.loc[x, "age"] > 120:
        df.drop(x, inplace = True)
    
    print(df.to_string())

name  age
    0  Google   50
    1  Runoob   40

### 4. Pandas 清洗重复数据 ###

如果我们要清洗重复数据，可以使用 `duplicated()` 和 `drop_duplicates()` 方法。

如果对应的数据是重复的，`duplicated()` 会返回 `True`，否则返回 `False`。

import pandas as pd
    
    person = { 
      "name": ['Google', 'Runoob', 'Runoob', 'Taobao'],
      "age": [50, 40, 40, 23]  
    }

df = pd.DataFrame(person)
    
    print(df.duplicated())

0    False
    1    False
    2     True
    3    False
    dtype: bool

删除重复数据，可以直接使用 `drop_duplicates()` 方法。

df = pd.DataFrame(person)
    
    df.drop_duplicates(inplace = True)
    print(df)

name  age
    0  Google   50
    1  Runoob   40
    3  Taobao   23

[NumPy Ndarray]: https://www.runoob.com/numpy/numpy-ndarray-object.html
[JSON]: https://www.runoob.com/json/json-tutorial.html
[property-data.csv]: https://static.runoob.com/download/property-data.csv
[img-DJOBvbmb-1629103208575_https_www.runoob.com_wp-content_uploads_2021_06_6A6DE9DA-E0EE-4001-8C21-1D6A8EBF70FF.jpeg]: /images/20220829/95f05354bd214bc2a76684f884c84423.png