數據的爬取

代碼：

import pandas as pd

data=pd.read_csv("example_data.csv",header=1)

print(data)

data1=pd.read_csv("北京地區信息.csv",header=1,encoding='gbk')

data2=pd.read_csv("天津地區信息.csv",encoding='gbk')

print(data1)

print(data2)

代碼運行結果：

首先使用pandas的read_csv()方法進行數據的讀取，然后就能夠看到相應的表格信息。

檢查重復數據

# 2.2檢查重復數據

dupnum=data.duplicated()

print(dupnum)

# 對重復值進行處理

caldup=data.drop_duplicates()

print(caldup)

代碼運行結果：

主要是是使用這個duplicated()方法進行數據的查重，返回一個布爾序列，僅對唯一元素而言為True。如果有重復的數據就會在該數值的部分返貨Flase。

然后我們就可以使用drop_duplicates()進行重復值刪除。

檢查缺失值

代碼：

from pandas import Series

from numpy import NAN

# import pandas as pd 

series_obj=Series([1,None])

pd.notnull(series_obj)

# 上面做的是測試

pd.notnull(data)

pd.notnull(data1)

pd.notnull(data2)

代碼運行結果：

使用pd.notnull(data1)進行非空數值的返回， 返回值是布爾型的矩陣，再取df[布爾型矩陣]返回的是id為非空的行。

檢查異常值

import numpy as np

# 2.4 檢查異常值

def three_sig(ser1):

  mean_value=ser1.mean()

#   標準差

  std_value=ser1.std()

#   位于3σ范圍外的都是異常值

# 數值大于u+3σ小雨u-3σ

  rule=(mean_value-3*std_value>ser1)|(ser1.mean()+3*ser1.std()<ser1)

  index=np.arange(ser1.shape[0])[rule]

  outrange=ser1.iloc[index]

  return outrange

three_sig(data2["女性"])

代碼運行結果：

3σ原則又稱為拉依達準則，該準則具體來說，就是先假設一組檢測數據只含有隨機誤差，對原始數據進行計算處理得到標準差，然后按一定的概率確定一個區間，認為誤差超過這個區間的就屬于異常值。

通俗理解就是正態分布。