关于python数据处理过程中三个主要的数据清洗说明，分别是缺失值/空格/重复值的数据清洗。
这里还是使用pandas来获取excel或者csv的数据源来进行数据处理。若是没有pandas的非标准库需要使用pip的方式安装一下。
pip install pandas
准备一下需要处理的脏数据，这里选用的是excel数据，也可以选择其他的格式数据，下面是源数据截图。
使用pandas的read_excel()函数读取出我们需要处理的data.xlsx文件。
# Importing the pandas library and giving it an alias of pd.
import pandas as pd
# Reading the excel file and storing it in a variable called `result_`
result_ = pd.read_excel('D:/test/data.xlsx')
# Printing the dataframe.
print(result_)
注意，若是新的python环境直接安装pandas模块后执行上面的读取excel数据代码可能会出现没有openpyxl模块的情况。
这时候，我们使用pip的方式再次安装一下openpyxl即可。
pip install openpyxl
完成后再次执行读取excel数据的代码块会成功的返回结果。
# 姓名 年龄 班级 成绩 表现
# 0 Python 集中营 10 1210 99 A
# 1 Python 集中营 11 1211 100 A
# 2 Python 集中营 12 1212 101 A
# 3 Python 集中营 13 1213 102 A
# 4 Python 集中营 14 1214 103 A
# 5 Python 集中营 15 1215 104 A
# 6 Python 集中营 16 1216 105 A
# 7 Python 集中营 17 1217 106 A
# 8 Python 集中营 18 1218 107 A
# 9 Python 集中营 19 1219 108 A
# 10 Python 集中营 20 1220 109 A
# 11 Python 集中营 21 1221 110 A
# 12 Python 集中营 22 1222 111 A
# 13 Python 集中营 23 1223 112 A
# 14 Python 集中营 24 1224 113 A
# 15 Python 集中营 25 1225 114 A
# 16 Python 集中营 26 1226 115 A
# 17 Python 集中营 27 1227 116 A
# 18 Python 集中营 28 1228 117 A
#
# Process finished with exit code 0
准备好数据源之后，我们使用三个方式来完成对源数据的数据清洗。
1.strip函数清除空格
首先，将所有的列名称提取出来，使用DataFrame对象的columns函数进行提取。
# Extracting the column names from the dataframe and storing it in a variable called `columns_`.
columns_ = result_.columns.values
# Printing the column names of the dataframe.
print(columns_)
# [' 姓名 ' '年龄' '班级' '成绩' '表现']
从列名称的打印结果发现’姓名’这一列是存在空格的，我们直接查找列名称是找不到的，因为需要对列名称的空格进行数据清洗。
为了减少代码块的使用，我们这里直接使用列表推导式的方式对列名称的空格进行清洗。
# A list comprehension that is iterating over the `columns_` list and stripping the whitespaces from each element of the
# list.
result_.columns = [column_name.strip() for column_name in columns_]
# Printing the column names of the dataframe.
print(result_.columns.values)
# ['姓名' '年龄' '班级' '成绩' '表现']
经过数据清洗后，发现所有的列名称空格情况已经被全部清洗了。若是存在某个列中的值空格需要清洗也可以采用strip函数进行清洗。
2.duplicated函数清除重复数据
关于重复数据的判断有两种情况，一种是两行完全相同的数据即为重复数据。另外一种则是部分相同指的是某个列的数据是相同的需要清洗。
# The `duplicated()` function is returning a boolean series that is True if the row is a duplicate and False if the row is
# not a duplicate.
repeat_num = result_.duplicated().sum()
# Printing the number of duplicate rows in the dataframe.
print(repeat_num)
# 1
通过上面的duplicated().sum()函数得到的是两个完全相同的数据行是多少。
接着则可以对源数据进行实际意义上的删除，使用DataFrame对象的drop_duplicates函数进行删除。
# The `drop_duplicates()` function is dropping the duplicate rows from the dataframe and the `inplace=True` is
# modifying the dataframe in place.
result_.drop_duplicates(inplace=True)
# Printing the dataframe.
print(result_)
# 姓名 年龄 班级 成绩 表现
# 0 Python 集中营 10 1210 99 A
# 1 Python 集中营 11 1211 100 A
# 2 Python 集中营 12 1212 101 A
# 3 Python 集中营 13 1213 102 A
# 4 Python 集中营 14 1214 103 A
# 5 Python 集中营 15 1215 104 A
# 6 Python 集中营 16 1216 105 A
# 7 Python 集中营 17 1217 106 A
# 8 Python 集中营 18 1218 107 A
# 9 Python 集中营 19 1219 108 A
# 10 Python 集中营 20 1220 109 A
# 11 Python 集中营 21 1221 110 A
# 12 Python 集中营 22 1222 111 A
# 13 Python 集中营 23 1223 112 A
# 14 Python 集中营 24 1224 113 A
# 15 Python 集中营 25 1225 114 A
# 16 Python 集中营 26 1226 115 A
# 17 Python 集中营 27 1227 116 A
因为最后一行和第一行的数据是完全相同的，因此最后一行的数据已经被清洗掉了。
一般在数据清洗删除重复值之后需要重置索引，避免索引产生不连续性。
# The `range(result_.shape[0])` is creating a list of numbers from 0 to the number of rows in the dataframe.
result_.index = range(result_.shape[0])
# The `print(result_.index)` is printing the index of the dataframe.
print(result_.index)
# RangeIndex(start=0, stop=18, step=1)
3.数据缺失值补全
一般查看DataFrame数据对象的缺失值就是通过使用isnull函数来提取所有数据缺失的部分。
# The `isnull()` function is returning a boolean series that is True if the value is missing and False if the value
# is not missing.
sul_ = result_.isnull()
# The `print(sul_)` is printing the boolean series that is True if the value is missing and False if the value is not
# missing.
print(sul_)
# 姓名 年龄 班级 成绩 表现
# 0 False False False False False
# 1 False False False False False
# 2 False False False False False
# 3 False False False False False
# 4 False False False False False
# 5 False False False False False
# 6 False False False False False
# 7 False False False False False
# 8 False False False False False
# 9 False False False False False
# 10 False False False False False
# 11 False False False False False
# 12 False False False False False
# 13 False False False False False
# 14 False False False False False
# 15 False False False False False
# 16 False False False False False
# 17 False False False False False
返回的每一个单元格数据结果为False则代表这个单元格的数据是没有缺失的，或者也可以使用notnull来反向查看。
使用isnull函数不想显示很多的列表数据时，可以使用sum函数进行统计。
# The `isnull_sum = result_.isnull().sum()` is returning a series that is the sum of the boolean series that is True if
# the value is missing and False if the value is not missing.
isnull_sum = result_.isnull().sum()
# The `isnull_sum = result_.isnull().sum()` is returning a series that is the sum of the boolean series that is True if
# the value is missing and False if the value is not missing.
print(isnull_sum)
# 姓名 0
# 年龄 0
# 班级 0
# 成绩 0
# 表现 0
# dtype: int64
通过isnull函数处理后使用sum函数进行统计，统计后会返回每一列的数据单元格为空的个数。
接下来就是数据值的填补过程，通常可以筛选每一列中的空值填补固定的数据。
# The `result_.loc[result_.姓名.isnull(), '姓名']` is returning a series that is the values of the column `姓名`
# where the values are missing. The `'Python 集中营'` is the value that is being assigned to the series.
result_.loc[result_.姓名.isnull(), '姓名'] = 'Python 集中营'
# Printing the dataframe.
print(result_)
# 姓名 年龄 班级 成绩 表现
# 0 Python 集中营 10 1210 99 A
# 1 Python 集中营 11 1211 100 A
# 2 Python 集中营 12 1212 101 A
# 3 Python 集中营 13 1213 102 A
# 4 Python 集中营 14 1214 103 A
# 5 Python 集中营 15 1215 104 A
# 6 Python 集中营 16 1216 105 A
# 7 Python 集中营 17 1217 106 A
# 8 Python 集中营 18 1218 107 A
# 9 Python 集中营 19 1219 108 A
# 10 Python 集中营 20 1220 109 A
# 11 Python 集中营 21 1221 110 A
# 12 Python 集中营 22 1222 111 A
# 13 Python 集中营 23 1223 112 A
# 14 Python 集中营 24 1224 113 A
# 15 Python 集中营 25 1225 114 A
# 16 Python 集中营 26 1226 115 A
# 17 Python 集中营 27 1227 116 A
4.数据保存
数据清洗完成之后，可以使用DataFrame对象提供的to_csv/to_excel等函数进行特定格式的数据保存。
result_.to_excel('data.xlsx')
最后，整个数据清洗的过程就完成了，希望可以给大家带来帮助，感谢阅读！
【往期精彩】