很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經(jīng)錄用會有專人和您聯(lián)系
咨詢?nèi)绾纬蔀榇河鹱髡哒埪?lián)系：鳥哥筆記小羽毛（ngbjxym）
作者｜吃貨第一名的Claire
吐血整理數(shù)據(jù)人常用Pandas數(shù)據(jù)清理（附代碼）
全文干貨，閱讀請自備奶茶解渴（wink）。
數(shù)據(jù)行業(yè)的從業(yè)者都知道數(shù)據(jù)清理是整個數(shù)據(jù)分析周期（見下圖）最重要也是最耗時的步驟。沒有“干凈”的、符合特定規(guī)范的數(shù)據(jù)輸入，就沒有有效的結果引導決策，更糟糕的是，數(shù)據(jù)清理不完整或者錯誤甚至會誤導決策，GIGO (garbage in, garbage out)就是我們數(shù)據(jù)人最想避免的情況。
Source: Quora
備注：The step of data preparation is also known as Data Cleaning or Data Wrangling。
這篇文章是我通過工作中處理大幾十個公司的數(shù)據(jù)遇到的問題而做的總結，問題都源于工業(yè)界實際應用案例，大家可以當作備考、面試、工作的cheat sheet，還不快點贊收藏~
此處附有GitHub代碼：請自行下載。
https://github.com/ClaireWithGithub/pandas_data_cleaning/blob/main/data_cleaning_github_08052021.ipynb
本文的方法都盡量致力于用最短的代碼、最快的運行速度來解決問題，當然，如果有更好的方法歡迎大家留言。
建議：閱讀code前，大家可以先想想當你們遇到這些問題會怎么寫，先思考再“抄作業(yè)”看解析，印象會更加深刻哦。
Note：數(shù)據(jù)清理好習慣 - 代碼run完，記得要double check清理結果。
完整代碼：
df = pd.DataFrame()
# the glob module is used to retrieve files/pathnames matching a specified pattern
dir_filenames = sorted(glob('./*.xlsx')) # all excel files from current directory
for dir_file in dir_filenames:
dict_xlsx = pd.read_excel(dir_file, sheet_name=None)
workbook = pd.concat([v_df.assign(Sheet = k) for k,v_df in dict_xlsx.items()], ignore_index=True)
df = pd.concat([df,workbook],ignore_index=True)
print(f'shape of merged files:{df.shape}')
解析：總體思路是讀取每個工作簿，再讀取每個工作簿的工作表，list comprehension內(nèi)循環(huán)合并表，外循環(huán)合并工作簿
glob用于返回符合某個pattern的路徑和文件名glob('./*.xlsx') 返回當前目錄下的所有Excel文件名
python的built-in function sorted()不改變原list，要賦值給新的variable才實現(xiàn)排序
pd.read_excel(dir_file, sheet_name=None) 返回dictionary，key是sheet name， value是工作表的數(shù)據(jù)
[v_df.assign(Sheet = k) for k,v_df in dict_xlsx.items()]是list comprehension，通常能簡化代碼的同時加快代碼的運行速度
df.assign()是新加一列，記錄工作表名稱
pd.concat([])是縱向合并數(shù)據(jù)的好方法完整代碼：
count_null_series = df.isnull().sum() # returns series count_null_df = pd.DataFrame(data=count_null_series, columns=['Num_Nulls']) # what % of the null values take for that column pct_null_df = pd.DataFrame(data=count_null_series/len(df), columns=['Pct_Nulls']) null_stats = pd.concat([count_null_df, pct_null_df],axis=1) null_stats
結果：
解析：df.isnull().sum()會算出每列缺失值的數(shù)量，再算一個缺失值占本列的百分比可以讓自己更清楚數(shù)據(jù)的情況和下一步如何清理缺失值。
處理缺失值：
- 時間序列的數(shù)據(jù)常用df[col_name].fillna(method="ffill",inplace=True)，ffill表示按上一個值填充
- 不同列補不同的值df.fillna(value={col1:50, col2:67, col3:100}, inplace=True)
- 以當列的平均值彌補空值df.where(pd.notna(df), df.mean(), axis="columns", inplace=True)
- 任意選定的列為空就刪除該行df.dropna(subset=subset_list, inplace=True)
- 當一半的行為空，刪除該列df.dropna(thresh=len(df)*N, axis=1, inplace=True)有沒有小伙伴像我一樣，當數(shù)據(jù)有很多無關不重要的列，而不愿意copy paste列名去drop的童鞋，這里提供用column index一行搞定刪除多列的問題。
完整代碼：
df.info() df.drop(df.columns[start_ind:stop_ind],axis=1,inplace=True) df.info()
當列很多的時候，每個column對應的index一個個數(shù)可太麻煩了，df.info()是一個非常簡潔又高效的方法。他會返回dataframe的行數(shù)，列數(shù)，列名對應的index，數(shù)據(jù)類型，非空值和memory usage。
所以第一個df.info()就是為了找出你要刪的列明的起始index和終止index，注意，如果你要刪2-4列，stop_index應該是5才會把第4列刪掉。第二個df.info()是為了double check最后的數(shù)據(jù)列都是你想要的，如果還有要刪列還可以循環(huán)進行這樣的步驟。
完整代碼：
df.rename(columns= {'Order_No_1':'OrderID','ItemNo':'ItemID'}, inplace=True)
# remove special characters from column name
df.columns = df.columns.str.replace('[&,#,@,(,)]', '')
# remove leading/trailing space and add _ to in-between spaces
df.columns = df.columns.str.strip().str.replace(' ','_')df.rename()是常見的改列名的方法，在這里想格外強調后兩行代碼，是批量格式化列名的“黑科技”。
note：數(shù)據(jù)工作中，文件命名的convention（約定習俗）是不留空格，要么加’_’，要么加’-‘,要么CamelCase，這同樣適用于數(shù)據(jù)的列名命名，因為計算機不擅于處理/解析空格。
for c in ['OrderID','ItemID','Class']:
df[c] = df[c].astype('str')完整代碼：
len_df = len(df)
len_drop = len(df.drop_duplicates(subset = subset_list))
len_diff = len_df-len_drop
print(f'difference of length:{len_diff}')
if len_diff>0:
dups = df.duplicated(keep=False).sort_values(by=sort_list)
df_drop = df.drop_duplicates(subset=subset_list, keep='last')解析：df.drop_duplicates(subset = subset_list)會返回基于指定列subset_list去重后的dataframe。如果發(fā)現(xiàn)有重復值，
df.duplicated(keep=False).sort_values(by=sort_list)這段代碼可以讓你有方向的進行比較，keep=False是保證重復值都展示出來的必備參數(shù)，sort_values()是保證重復值挨著出現(xiàn)，方便你接下來決策如何處理他們。以上代碼列舉了保留重復值最后一項的例子（keep='last'）。
當我們收到了這樣的數(shù)據(jù)，dtype是object，要如何把他轉化成date format并且分離出time和hour呢？
代碼：
# split by comma, retrieve the first column
df['date_com'] = df['date_com'].str.split(',', expand=True)[0]
# format要和原日期的格式一致，最后總會返回YYYY-MM-DD HH:MM:SS格式的datetime
df['date_com'] = pd.to_datetime(df['date_com'], format='%Y-%m-%d %H:%M:%S')返回結果：
如果要進一步分離date和time：
df['Date'] = df['date_com'].dt.date
dt_lst = df['date_com'].str.split(' ', n=1, expand = True)
df['Time'] = dt_lst[1]
# extract hour from Time
time_lst = df['date_com'].str.split(':', n=1, expand = True)
df['Hour'] = time_lst[0] #str今天的分享先到這里，感覺有學到新知識記得點贊轉發(fā)加關注哦。下期見。
-END-
本文為作者獨立觀點，不代表鳥哥筆記立場，未經(jīng)允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質量內(nèi)容的交流平臺。為落實國家互聯(lián)網(wǎng)信息辦公室“依法管網(wǎng)、依法辦網(wǎng)、依法上網(wǎng)”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內(nèi)容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內(nèi)容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內(nèi)容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網(wǎng)絡信息。
一、根據(jù)《網(wǎng)絡信息內(nèi)容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網(wǎng)絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網(wǎng)絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內(nèi)容；
2. 不友善：不尊重用戶及其所貢獻內(nèi)容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網(wǎng)站秩序的內(nèi)容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產(chǎn)品、提供服務、宣傳推廣內(nèi)容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內(nèi)容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內(nèi)容；
4)多次發(fā)布包含欺騙性外鏈的內(nèi)容，如未注明的淘寶客鏈接、跳轉網(wǎng)站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產(chǎn)品、品牌等內(nèi)容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網(wǎng)站秩序的推廣內(nèi)容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內(nèi)容，如通過偽造經(jīng)歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內(nèi)容審核的廣告內(nèi)容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經(jīng)驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內(nèi)容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內(nèi)容；
4)帶有性暗示、性挑逗等易使人產(chǎn)生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內(nèi)容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內(nèi)容；
2)存在事實夸大、偽造虛假經(jīng)歷等誤導他人的內(nèi)容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內(nèi)容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內(nèi)容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網(wǎng)絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內(nèi)容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網(wǎng)絡生態(tài)造成不良影響的其他內(nèi)容。
二、違規(guī)處罰
本網(wǎng)站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內(nèi)容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將依據(jù)相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內(nèi)容時，本網(wǎng)站將加重處罰。
三、申訴
隨著平臺管理經(jīng)驗的不斷豐富，本網(wǎng)站出于維護本網(wǎng)站氛圍和秩序的目的，將不斷完善本公約。
如果本網(wǎng)站用戶對本網(wǎng)站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網(wǎng)站進行反饋。
(規(guī)則的最終解釋權歸屬本網(wǎng)站所有)