Python数据清洗效果的评估主要依赖于以下几个方面：
- 准确性：这是最直接的评估方式，即通过对比清洗前后的数据，看是否达到了预期的目标。例如，如果清洗前的数据中存在大量的缺失值和异常值，而清洗后的数据中这些值被有效地处理掉了，那么就可以说清洗是准确的。
- 完整性：这指的是清洗后的数据是否完整，没有丢失重要的信息。例如，如果清洗前的数据中包含了一些重复的记录，而清洗后的数据中这些记录被合并或删除了，但重要的信息没有被丢失，那么就可以说清洗是完整的。
- 一致性：这指的是清洗后的数据是否与其他数据源或业务规则保持一致。例如，如果清洗前的数据中存在一些与业务规则不符的记录，而清洗后的数据中被修正了，那么就可以说清洗是一致的。
- 效率：这指的是数据清洗的过程是否高效，没有花费过多的时间和资源。这可以通过比较清洗前后的处理时间来评估。
- 可视化效果：对于某些数据集，可以通过可视化来直观地展示清洗效果。例如，可以绘制数据的分布图、直方图等，通过观察这些图表的变化来评估清洗效果。
在Python中，可以使用一些常用的数据清洗库和工具来辅助进行数据清洗和评估，例如Pandas、NumPy、Scikit-learn等。同时，也可以使用一些数据质量评估工具来对清洗后的数据进行更全面的评估。
此外，还可以采用以下方法来具体评估数据清洗的效果：
- 缺失值比例：计算清洗前后数据集中缺失值的比例，缺失值比例越低，说明清洗效果越好。
- 异常值比例：计算清洗前后数据集中异常值的比例，异常值比例越低，说明清洗效果越好。
- 重复值比例：计算清洗前后数据集中重复值的比例，重复值比例越低，说明清洗效果越好。
- 数据分布：通过绘制数据的分布图、直方图等，观察数据分布的变化，以评估清洗效果。
- 业务规则验证：根据业务规则对清洗后的数据进行验证，确保数据符合业务要求。
总之，评估Python数据清洗效果需要综合考虑多个方面，包括准确性、完整性、一致性、效率和可视化效果等。