0. 序言
在做數據分析之前，我們首先要明確數據分析的目標，然后 應用數據分析的思維，對目標進行細分，再采取相應的行動。
我們可以把數據分析細分為以下 8 個步驟：
（1）讀取
（2） 清洗
（3） 操作
（4） 轉換
（5） 整理
（6） 分析
（7） 展現
（8）報告
在《 如何用 Python 讀取數據？ 》這篇文章中，我們學習了從 5 種不同的地方讀取數據的方法，接下來，我們將利用其中的一種方法， 從 Excel 文件中讀取原始數據，然后利 用 Python 對它進行清洗。
下面我們用一副待清洗的撲克牌作為示例，假設它保存在代碼文件相同的目錄下，在 Jupyter Lab 環境中運行以下代碼：
import numpy as np
import pandas as pd
# 設置最多顯示 10 行
pd.set_option('max_rows', 10)
# 從 Excel 文件中讀取原始數據
df = pd.read_excel(
'待清洗的撲克牌數據集.xlsx'
)
df
返回結果如下：
這幅待清洗的撲克牌數據集，有一些異常情況，包括：大小王的花色是缺失的，有兩張重復的黑桃:spades: A，還有一張異常的 黑桃 :spades: 30。
1. 如何查找異常？
在正式開始清洗數據之前，往往需要先把異常數據找出來，觀察異常數據的特征，然后再決定清洗的方法。
# 查找「花色」缺失的行
df[df.花色.isnull()]
# 查找完全重復的行
df[df.duplicated()]
# 查找某一列重復的行
df[df.編號.duplicated()]
# 查找牌面的所有唯一值
df.牌面.unique()
返回結果：
array(['大王', '小王', 'A', '30', 4, 5, 6, 7, 8, 9, 10, 'J', 'Q', 'K', 2, 3], dtype=object)
根據常識可以判斷，牌面為 30 的是異常值。
# 查找「牌面」包含 30 的異常值
df[df.牌面.isin(['30'])]
# 查找王牌，模糊匹配
df[df.牌面.str.contains(
'王', na=False
)]
# 查找編號在 1 到 5 之間的行
df[df.編號.between(1, 5)]
查找某個區間，也可以用邏輯運算的方法來實現：
# 查找編號在 1 到 5 之間的行
df[(df.編號 >= 1)
& (df.編號 <= 5)]
其中「 & 」代表必須同時滿足兩邊的條件，也就是「且」的意思。
還可以用下面等價的方法：
# 查找編號在 1 到 5 之間的行
df[~((df.編號 < 1)
| (df.編號 > 5))]
其中「 | 」代表兩邊的條件滿足一個即可，也就是「或」的意思，「 ~ 」代表取反，也就是「非」的意思。
2. 如何排除重復？
使用 drop_duplicates() 函數，在排除重復之后，會得到一個新的數據框。
# 排除完全重復的行，默認保留第一行
df.drop_duplicates()
返回結果如下：
如果想要改變原來的數據框，有兩種方法，一種方法，是增加 inplace 參數：
# 排除重復后直接替換原來的數據框
df.drop_duplicates(
inplace=True
)
另一種方法，是把得到的結果，重新賦值給原來的數據框：
# 排除重復后，重新賦值給原來的數據框
df = df.drop_duplicates()
如果想要按某一列排除重復的數據，那么指定相應的列名即可。
# 按某一列排除重復，默認保留第一行
df.drop_duplicates(['花色'])
如果想要保留重復的最后一行，那么需要指定 keep 參數。
# 按某一列排除重復，并保留最后一行
df.drop_duplicates(
['花色'], keep='last'
)
從上面兩個返回結果的編號可以看出，不同方法的差異情況。
3. 如何刪除缺失？
使用 dropna() 函數，默認刪除包含缺失的行。為了更加簡單易懂，我們用撲克牌中不重復的花色作為示例。
# 不重復的花色
color = df.drop_duplicates(
['花色']
)
color
# 刪除包含缺失值的行
color.dropna()
如果想要刪除整行全部為空的行，那么需要指定 how 參數。
# 刪除全部為空的行
color.dropna(how='all')
如果想要刪除包含缺失值的列，那么需要指定 axis 參數。
# 刪除包含缺失值的列
color.dropna(axis=1)
可以看到，包含缺失值的「花色」這一列被刪除了。
4. 如何補全缺失？
使用 fillna() 函數，可以將缺失值填充為我們指定的值。
# 補全缺失值
color.fillna('Joker')
可以看到，原來的 NaN 被填充為 Joker，在實際工作的應用中，通常填充為 0，也就是說， fillna(0) 是比較常見的用法。
如果想要使用臨近的值來填充，那么需要指定 method 參數，例如：
# 用后面的值填充
color.fillna(method='bfill')
可以看到，原來第一行的 NaN 替換成了第二行的「黑桃:spades:」。
其中 method 還有一些其他的可選參數，詳情可以查看相關的幫助文檔。
還有一種按字典填充的方法。為了讓下面的演示更加直觀易懂，我們先把索引為 2 的牌面設置為缺失值：
# 為了演示，先指定一個缺失值
color.loc[2, '牌面'] = np.nan
color
# 按列自定義補全缺失值
color.fillna(
{'花色': 0, '牌面': 1}
)
可以看出，不同列的缺失值，可以填充為不同的值，花色這一列填充為 0，牌面這一列填充為 1，我在圖中分別用紅色的方框標記出來了。
5. 應用案例
下面 我們用 Python 代碼，把這幅待清洗的撲克牌數據集，變成一副正常的撲克牌數據。
import numpy as np
import pandas as pd
# 設置最多顯示 10 行
pd.set_option('max_rows', 10)
# 從 Excel 文件中讀取原始數據
df = pd.read_excel(
'待清洗的撲克牌數據集.xlsx'
)
# 補全缺失值
df = df.fillna('Joker')
# 排除重復值
df = df.drop_duplicates()
# 修改異常值
df.loc[4, '牌面'] = 3
# 增加一張缺少的牌
df = df.Append(
{'編號': 4,
'花色': '黑桃♠',
'牌面': 2},
ignore_index=True
)
# 按編號排序
df = df.sort_values('編號')
# 重置索引
df = df.reset_index()
# 刪除多余的列
df = df.drop(
['index'], axis=1
)
# 把清洗好的數據保存到 Excel 文件
df.to_excel(
'完成清洗的撲克牌數據.xlsx',
index=False
)
df
返回結果如下：
可以看到，我們已經成功地把它變成了一副正常的撲克牌數據。
6. 小結
我們簡單回顧一下本文的主要內容，首先，我們從宏觀層面介紹了數據分析的 8 個步驟，然后用一副待清洗的撲克牌數據集作為示例，從讀取數據，到查找異常，再到排除重復、刪除缺失和補全缺失，最后，我們用一個案例， 完整 演示了清洗數據的過程。
文章作者： 林驥
