基于python的大数据分析-数据处理（代码实战）

接着上篇继续。数据获取之后并不能直接分析或使用，因为里面有很多无效的垃圾数据，所以必须要经过处理才可以。数据处理的主要内容包括数据清洗、数据抽取、数据交换和数据计算等。

数据清洗

数据清洗是数据价值链中最关键的一步。垃圾数据即使是通过最好的分析也可能会产生错误的结果，并造成较大的误导。

数据清洗就是处理缺失数据以及清除无意义的信息，如删除原始数据集中的无关数据、重复数据、平滑噪音数据，筛选掉与分析主题无关的数据等等。

重复值的处理

步骤如下：

1 利用DataFrame中的duplicated方法返回一个布尔型的Series，显示是否有重复行。没有显示FALSE,有则从重复的第二行起显示为TRUE

2 在利用DataFrame中的drop_duplicates方法返回一个移除了重复行的DataFrame

duplicated的格式：

duplicated(subset=None, keep='first')

括号中的参数均为可选，不写默认判断全部列

subset用于识别重复的列标签或列标签序号，默认是所有的列标签

keep为first表示除了第一次出现外，其余相同的数据被标记为重复；为last表示除了最后一次外，其余相同的数据被标记为重复；为false表示所有相同的数据都被标记为重复

drop_duplicates的格式：

drop_duplicates()

如果你想指定某个列就在括号里加入列名即可

from pandas import DataFrame
from pandas import Series

#造数据
df=DataFrame({'age':Series([26,85,85]),'name':Series(['xiaoqiang1','xiaoqiang2','xiaoqiang2'])})
df

#判断是否有重复行
df.duplicated()

#移除重复行
df.drop_duplicates()

缺失值的处理

缺失值的处理一般包括两个步骤，分别是缺失数据的识别和缺失数据的处理。

缺失数据的识别

pandas使用浮点值NaN表示浮点和非浮点数组里的缺失数据，并使用isnull和notnull函数来判断缺失情况。

#缺失数据的识别
from pandas import DataFrame
from pandas import read_excel

#有缺失数据
df=read_excel(r'D:python_workspaceanacondarz.xlsx', sheetname='Sheet2')
df

#识别缺失数据,NaN的就会显示True。notnull函数正好相反
df.isnull()

rz.xlsx的内容如下

缺失数据的处理

对于缺失数据的处理有数据补齐、删除对应的行、不处理。这里直接撸代码解释

#接着上面的继续，进行数据的处理
#去除数据中值为空的数据行
newdf=df.dropna()
newdf

#用其他数值代替NaN
newdf2=df.fillna('--')
newdf2

#用前一个数据值代替NaN
newdf3=df.fillna(method='pad')
newdf3

#用后一个数据值代替NaN
newdf4=df.fillna(method='bfill')
newdf4

#传入一个字典对不同的列填充不同的值
newdf5=df.fillna({'数分':100,'高代':99})
newdf5

#用平均数来代替NaN。会自动计算有NaN两列的数据的平均数
newdf6=df.fillna(df.mean())
newdf6

#还可以使用strip()来去除数据左右的指定字符，这个是python的基础了，这里不做演示了