導讀：此前的文章《一文看懂數據清洗：缺失值、異常值和重復值的處理》中，我們介紹了數據清洗的過程和方法，本文給出各步驟的詳細代碼，方便你動手操作。
作者：宋天龍
如需轉載請聯系大數據（ID：hzdashuju）
本文示例中，主要用了幾個知識點：
- 通過?pd.DataFrame?新建數據框。
- 通過 df.iloc[] 來選擇特定的列或對象。
- 使用Pandas的 isnull() 判斷值是否為空。
- 使用 all() 和 any() 判斷每列是否包含至少1個為True或全部為True的情況。
- 使用Pandas的 dropna() 直接刪除缺失值。
- 使用 sklearn.preprocessing 中的 Imputer 方法對缺失值進行填充和替換，支持3種填充方法。
- 使用Pandas的 fillna 填充缺失值，支持更多自定義的值和常用預定義方法。
- 通過 copy() 獲得一個對象副本，常用于原始對象和復制對象同時進行操作的場景。
- 通過 for 循環遍歷可迭代的列表值。
- 自定義代碼實現了 Z-Score 計算公式。
- 通過Pandas的 duplicated() 判斷重復數據記錄。
- 通過Pandas的 drop_duplicates() 刪除數據記錄，可指定特定列或全部。
01 缺失值處理
在缺失值的處理上，主要配合使用 sklearn.preprocessing 中的Imputer類、Pandas和Numpy。其中由于Pandas對于數據探索、分析和探查的支持較為良好，因此圍繞Pandas的缺失值處理較為常用。
1. 導入庫
該代碼示例中用到Pandas、Numpy和sklearn。
import?pandas?as?pd?????????????? #?導入Pandas庫
import?numpy?as?np?????????????? #?導入Numpy庫
from?sklearn.preprocessing?import?Imputer???? #?導入sklearn.preprocessing中的Imputer庫
2. 生成缺失數據
#?生成缺失數據
df?=?pd.DataFrame(np.random.randn(6,?4),?columns=['col1',?'col2',?'col3',?'col4'])?????????????????? ?#?生成一份數據
df.iloc[1:2,?1]?=?np.nan?????? ?#?增加缺失值
df.iloc[4,?3]?=?np.nan?????????????? #?增加缺失值
print(df)
通過Pandas生成一個6行4列，列名分別為'col1'、'col2'、'col3'、'col4'的數據框。同時，數據框中增加兩個缺失值數據。
除了示例中直接通過pd.DataFrame來直接創建數據框外，還可以使用數據框對象的 df.from_records、df.from_dict、df.from_items 來從元組記錄、字典和鍵值對對象創建數據框，或使用 pandas.read_csv、pandas.read_table、pandas.read_clipboard 等方法讀取文件或剪貼板創建數據框。該代碼段執行后返回了定義含有缺失值的數據框，結果如下：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315???????NaN?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379???????NaN
5??1.928313?-1.376593?-1.557721??0.289643
提示：由于生成的數據是隨機產生的，因此讀者的實際結果可能與上述結果不一致。
3. 判斷缺失值
#?查看哪些值缺失
nan_all?=?df.isnull()??????#?獲得所有數據框中的N值
print(nan_all)??????????#?打印輸出
#?查看哪些列缺失
nan_col1?=?df.isnull().any()????#?獲得含有NA的列
nan_col2?=?df.isnull().all()????#?獲得全部為NA的列
print(nan_col1)??????????????#?打印輸出
print(nan_col2)??????????????#?打印輸出
通過 df.null() 方法找到所有數據框中的缺失值（默認缺失值是 NaN 格式），然后使用 any() 或 all() 方法來查找含有至少1個或全部缺失值的列，其中 any() 方法用來返回指定軸中的任何元素為 True，而 all() 方法用來返回指定軸的所有元素都為 True。該代碼段執行后返回如下結果。
判斷元素是否是缺失值（第2行第2列和第5行第4列）：
???col1???col2???col3???col4
0??False??False??False??False
1??False???True??False??False
2??False??False??False??False
3??False??False??False??False
4??False??False??False???True
5??False??False??False??False
列出至少有一個元素含有缺失值的列（該示例中為col2和col4）：
col1????False
col2?????True
col3????False
col4?????True
dtype:?bool
列出全部元素含有缺失值的列（該示例中沒有）：
col1????False
col2????False
col3????False
col4????False
dtype:?bool
4. 丟棄缺失值
df2?=?df.dropna()??#?直接丟棄含有NA的行記錄
print(df2)??#?打印輸出
通過Pandas默認的 dropna() 方法丟棄缺失值，返回無缺失值的數據記錄。該代碼段執行后返回如下結果（第2行、第5行數據記錄被刪除）：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
5??1.928313?-1.376593?-1.557721??0.289643
5. 通過sklearn的數據預處理方法對缺失值進行處理
nan_model?=?Imputer(missing_values='NaN',?strategy='mean',?axis=0)??#?建立替換規則：將值為NaN的缺失值以均值做替換
nan_result?=?nan_model.fit_transform(df)??#?應用模型規則
print(nan_result)??#?打印輸出
首先通過 Imputer 方法創建一個預處理對象，其中 missing_values 為默認缺失值的字符串，默認為 NaN；示例中選擇缺失值替換方法是均值（默認），還可以選擇使用中位數和眾數進行替換，即 strategy 值設置為 median 或 most_frequent；后面的參數 axis 用來設置輸入的軸，默認值為0，即使用列做計算邏輯。
然后使用預處理對象的 fit_transform 方法對 df（數據框對象）進行處理，該方法是將 fit 和 transform 組合起來使用。代碼執行后返回如下結果：
[[-0.11241503?-0.76818022?-0.08485904??0.29669147][-1.77731513?-0.44946793?-0.16661458?-0.62875601][-0.62946127??1.89278959?-1.85000643??0.15756702][?0.54486026?-1.23080434??0.836615???-0.9457117?][?0.70339369?-0.76455205?-1.21437918?-0.16611331][?1.92831315?-1.37659263?-1.55772092??0.28964265]]
代碼中的第2行第2列和第5行第4列分別被各自列的均值替換。為了驗證，我們手動計算一下各自列的均值，通過使用 df['col2'].mean() 和 df['col4'].mean() 分別獲得這兩列的均值為-0.4494679289032068和-0.16611331259664791，與sklearn返回的結果一致。
6. 使用Pandas做缺失值處理
nan_result_pd1?=?df.fillna(method='backfill')??????????#?用后面的值替換缺失值
nan_result_pd2?=?df.fillna(method='bfill',?limit=1)??????#?用后面的值替代缺失值,限制每列只能替代一個缺失值
nan_result_pd3?=?df.fillna(method='pad')??????????#?用前面的值替換缺失值
nan_result_pd4?=?df.fillna(0)??????????????????#?用0替換缺失值
nan_result_pd5?=?df.fillna({'col2':?1.1,?'col4':?1.2})????#?用不同值替換不同列的缺失值
nan_result_pd6?=?df.fillna(df.mean()['col2':'col4'])????#?用各自列的平均數替換缺失值
#?打印輸出
print(nan_result_pd1)??????????????????????#?打印輸出
print(nan_result_pd2)??????????????????????#?打印輸出
print(nan_result_pd3)??????????????????????#?打印輸出
print(nan_result_pd4)??????????????????????#?打印輸出
print(nan_result_pd5)?????????????????????#?打印輸出
print(nan_result_pd6)??????????????????????#?打印輸出
Pandas對缺失值的處理方法是 df.fillna()，該方法中最主要的兩個參數是 value 和 method。前者通過固定（或手動指定）的值替換缺失值，后者使用Pandas提供的默認方法替換缺失值。以下是 method 支持的方法。
- pad 和 ffill：使用前面的值替換缺失值，示例中 nan_result_pd3 使用了 pad 方法。
- backfill 和 bfill：使用后面的值替換缺失值，示例中 nan_result_pd1 和?nan_result_pd2 使用了該方法。
- None：無。
在示例中， nan_result_pd4、nan_result_pd5、nan_result_pd6 分別使用0、不同的值、平均數替換缺失值。需要注意的是，如果要使用不同具體值替換，需要使用 scalar、dict、Series 或 DataFrame 的格式定義。
上述代碼執行后返回如下結果。
用后面的值（method='backfill'）替換缺失值：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315??1.892790?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379??0.289643
5??1.928313?-1.376593?-1.557721??0.289643
用后面的值（method='bfill', limit = 1）替換缺失值：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315??1.892790?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379??0.289643
5??1.928313?-1.376593?-1.557721??0.289643
用前面的值替換缺失值（method='pad'）：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315?-0.768180?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379?-0.945712
5??1.928313?-1.376593?-1.557721??0.289643
用0替換缺失值：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315??0.000000?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379??0.000000
5??1.928313?-1.376593?-1.557721??0.289643
手動指定兩個缺失值分布為1.1和1.2：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315??1.100000?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379??1.200000
5??1.928313?-1.376593?-1.557721??0.289643
用平均數代替，選擇各自列的均值替換缺失值：
???????col1??????col2??????col3??????col4
0?-0.112415?-0.768180?-0.084859??0.296691
1?-1.777315?-0.449468?-0.166615?-0.628756
2?-0.629461??1.892790?-1.850006??0.157567
3??0.544860?-1.230804??0.836615?-0.945712
4??0.703394?-0.764552?-1.214379?-0.166113
5??1.928313?-1.376593?-1.557721??0.289643
以上示例中，直接指定 method 的方法適用于大多數情況，較為簡單直接；但使用 value 的方法則更為靈活，原因是可以通過函數的形式將缺失值的處理規則寫好，然后直接賦值即可。限于篇幅，不對所有方法做展開講解。
另外，如果是直接替換為特定值的應用，也可以考慮使用Pandas的 replace 功能。本示例的 df （原始數據框）可直接使用 df.replace(np.nan,0)，這種用法更加簡單粗暴，但也能達到效果。當然，replace的出現是為了解決各種替換應用的，缺失值只是其中的一種應用而已。
上述過程中，主要需要考慮的關鍵點是缺失值的替換策略，可指定多種方法替換缺失值，具體根據實際需求而定，但大多數情況下均值、眾數和中位數的方法較為常用。如果場景固定，也可以使用特定值（例如0）替換。
在使用不同的缺失值策略時，需要注意以下幾個問題：
缺失值的處理的前提是已經可以正確識別所有缺失值字段，關于識別的問題在使用Pandas讀取數據時可通過設置 na_values 的值指定。但是如果數據已經讀取完畢并且不希望再重新讀取，那可以使用Pandas的 replace 功能將指定的字符串（或列表）替換為 NaN。更有效的是，如果數據中的缺失值太多而無法通過列表形式窮舉時，replace 還支持正則表達式的寫法。當列中的數據全部為空值時，任何替換方法都將失效，任何基于中位數、眾數和均值的策略都將失效。除了可以使用固定值替換外（這種情況下即使替換了該特征也沒有實際參與模型的價值），最合理的方式是先將全部為缺失值的列刪除，然后再做其他處理。當列中含有極大值或極小值的 inf 或 -inf 時，會使得 mean() 這種方法失效，因為這種情況下將無法計算出均值。應對思路是使用 median 中位數做兜底策略，只要列中有數據，就一定會有中位數。
02 異常值處理
有關異常值的確定有很多規則和方法，這里使用Z標準化得到的閾值作為判斷標準：當標準化后的得分超過閾值則為異常。完整代碼如下。
示例代碼分為3個部分。
1. 導入本例需要的Pandas庫
import?pandas?as?pd??#?導入Pandas庫
2. 生成異常數據
df?=?pd.DataFrame({'col1':?[1,?120,?3,?5,?2,?12,?13],'col2':?[12,?17,?31,?53,?22,?32,?43]})
print(df)??#?打印輸出
直接通過DataFrame創建一個7行2列的數據框，打印輸出結果如下：
???col1??col2
0?????1????12
1???120????17
2?????3????31
3?????5????53
4?????2????22
5????12????32
6????13????43
3. 為通過Z-Score方法判斷異常值
df_zscore?=?df.copy()??????????????????#?復制一個用來存儲Z-score得分的數據框
cols?=?df.columns??????????????????#?獲得數據框的列名
for?col?in?cols:??????????????????????#?循環讀取每列df_col?=?df[col]??????????????????#?得到每列的值z_score?=?(df_col?-?df_col.mean())?/?df_col.std()??#?計算每列的Z-score得分df_zscore[col]?=?z_score.abs()?>?2.2????????#?判斷Z-score得分是否大于2.2，如果是則為True，否則為False
print(df_zscore)??????????????????????#?打印輸出
本過程中，先通過 df.copy() 復制一個原始數據框的副本，用來存儲Z-Score標準化后的得分，再通過 df.columns 獲得原始數據框的列名，接著通過循環判斷每一列中的異常值。在判斷邏輯中，對每一列的數據進行使用自定義的方法做Z-Score值標準化得分計算，然后與閾值2.2做比較，如果大于閾值則為異常。本段代碼返回結果如下：
????col1???col2
0??False??False
1???True??False
2??False??False
3??False??False
4??False??False
5??False??False
6??False??False
在本示例方法中，閾值的設定是確定異常與否的關鍵，通常當閾值大于2.2時，就是相對異常的表現值。
4. 刪除帶有異常值所在的記錄行
df_drop_outlier?=?df[df_zscore['col1']?==?False]
print(df_drop_outlier)
本段代碼里我們直接使用了Pandas的選擇功能，即只保留在 df_zscore 中異常列（col1）為 False 的列。完成后在輸出的結果中可以看到，刪除了?index 值為1的數據行。
???col1??col2
0?????1????12
2?????3????31
3?????5????53
4?????2????22
5????12????32
6????13????43
上述過程中，主要需要考慮的關鍵點是：如何判斷異常值。
對于有固定業務規則的可直接套用業務規則，而對于沒有固定業務規則的，可以采用常見的數學模型進行判斷：
- 基于概率分布的模型（例如正態分布的標準差范圍）
- 基于聚類的方法（例如KMeans）
- 基于密度的方法（例如LOF）
- 基于分類的方法（例如KNN）
- 基于統計的方法（例如分位數法）等。
異常值的定義帶有較強的主觀判斷色彩，具體需要根據實際情況選擇。
03 重復值處理
有關重復值的處理代碼分為4個部分。
1. 導入用到的Pandas庫
import?pandas?as?pd??#?導入Pandas庫
2. 生成重復數據
data1,?data2,?data3,?data4?=?['a',?3],?['b',?2],?['a',?3],?['c',?2]
df?=?pd.DataFrame([data1,?data2,?data3,?data4],?columns=['col1',?'col2'])
print(df)
在代碼中，我們在一列中直接給4個對象賦值，也可以拆分為4行分別賦值。該數據是一個4行2列數據框，數據結果如下：
??col1??col2
0????a?????3
1????b?????2
2????a?????3
3????c?????2
3. 判斷重復數據
isDuplicated?=?df.duplicated()????#?判斷重復數據記錄
print(isDuplicated)??????????#?打印輸出
判斷數據記錄是否為重復值，返回每條數據記錄是否重復結果，取值為 True 或 False。判斷方法為 df.duplicated()，該方法中兩個主要的參數是 subset 和 keep。
- subset：要判斷重復值的列，可以指定特定列或多個列。默認使用全部列。
- keep：當重復時不標記為True的規則，可設置為第1個（first）、最后一個（last）和全部標記為True（False）。默認使用first，即第1個重復值不標記為True。
結果如下：
0????False
1????False
2?????True
3????False
dtype:?bool
4. 刪除重復值
print(df.drop_duplicates())???????????#?刪除數據記錄中所有列值相同的記錄
print(df.drop_duplicates(['col1']))???????#?刪除數據記錄中col1值相同的記錄
print(df.drop_duplicates(['col2']))???????#?刪除數據記錄中col2值相同的記錄
print(df.drop_duplicates(['col1',?'col2']))??#?刪除數據記錄中指定列（col1/col2）值相同的記錄
該操作的核心方法是 df.drop_duplicates()，該方法的作用是基于指定的規則判斷為重復值之后，刪除重復值，其參數跟 df.duplicated() 完全相同。在該部分方法示例中，依次使用默認規則（全部列相同的數據記錄）、col1列相同、col2列相同以及指定col1和col2完全相同4種規則進行去重。返回結果如下。
刪除數據記錄中所有列值相同的記錄，index為2的記錄行被刪除：
??col1??col2
0????a?????3
1????b?????2
3????c?????2
刪除數據記錄中col1值相同的記錄，index為2的記錄行被刪除：
??col1??col2
0????a?????3
1????b?????2
3????c?????2
刪除數據記錄中col2值相同的記錄，index為2和3的記錄行被刪除：
??col1??col2
0????a?????3
1????b?????2
刪除數據記錄中指定列（col1和col2）值相同的記錄，index為2的記錄行被刪除：
??col1??col2
0????a?????3
1????b?????2
3????c?????2
提示：由于數據是通過隨機數產生，因此讀者操作的結果可能與上述示例的數據結果不同。
除了可以使用Pandas來做重復值判斷和處理外，也可以使用Numpy中的 unique() 方法，該方法返回其參數數組中所有不同的值，并且按照從小到大的順序排列。Python自帶的內置函數 set 方法也能返回唯一元素的集合。
上述過程中，主要需要考慮的關鍵點是：如何對重復值進行處理。重復值的判斷相對簡單，而判斷之后如何處理往往不是一個技術特征明顯的工作，而是側重于業務和建模需求的工作。
關于作者：宋天龍，深大數據技術專家，觸脈咨詢合伙人兼副總裁，前Webtrekk中國區技術和咨詢負責人（德國最大在線數據分析服務提供商）。擅長數據挖掘、建模、分析與運營，精通端到端數據價值場景設計、業務需求轉換、數據結構梳理、數據建模與學習以及數據工程交付。在電子商務、零售、銀行、保險等多個行業擁有豐富的數據項目工作經驗。
本文摘編自《Python數據分析與數據化運營》（第2版），經出版方授權發布。
延伸閱讀《Python數據分析與數據化運營》
（第2版）
點擊上圖了解及購買
轉載請聯系微信：DoctorData
推薦語：這是一本將數據分析技術與數據使用場景深度結合的著作，從實戰角度講解了如何利用Python進行數據分析和數據化運營。本書與同類書大的不同在于，并不只有純粹的關于數據分析技術和工具的講解，而且還與數據使用場景深度結合，在業務上真正可指導落地。此外，本書作者提供微信、郵箱等，可通過實時和離線兩種方式及時為讀者在線傳道、受業、解惑。
「大數據」內容合伙人之「鑒書小分隊」上線啦！
最近，你都在讀什么書？有哪些心得體會想要跟大家分享？
數據叔最近搞了個大事——聯合優質圖書出版商機械工業出版社華章公司發起鑒書活動。
簡單說就是：你可以免費讀新書，你可以免費讀新書的同時，順手碼一篇讀書筆記就行。詳情請在大數據公眾號后臺對話框回復合伙人查看。
福利時間?
北京第二十六屆國際圖書博覽會（BIBF）如約而至
愛讀書的你絕對不能錯過！
數據叔的福利也如約而至
報名參加BIBF華章圖書現場活動的小伙伴們
即可來展位報銷門票喲！
有話要說?
Q:?關于數據清洗，你還有哪些問題？
歡迎留言與大家分享
猜你想看?
更多精彩?
在公眾號對話框輸入以下關鍵詞
查看更多優質內容！
PPT?|?報告?|?讀書?|?書單?|?干貨?
大數據?|?揭秘?|?Python?|?可視化
AI?|?人工智能?|?5G?|?區塊鏈
機器學習?|?深度學習?|?神經網絡
合伙人?|?1024?|?段子?|?數學?|?高考
據統計，99%的大咖都完成了這個神操作
?
覺得不錯，請把這篇文章分享給你的朋友
轉載 / 投稿請聯系：baiyu@hzbook.com
更多精彩，請在后臺點擊“歷史文章”查看
點擊閱讀原文，了解更多
總結
以上是生活随笔為你收集整理的Python代码实操：详解数据清洗的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
