基于python的大数据分析-数据处理（代码实战）-创新互联
接着上篇继续。数据获取之后并不能直接分析或使用，因为里面有很多无效的垃圾数据，所以必须要经过处理才可以。数据处理的主要内容包括数据清洗、数据抽取、数据交换和数据计算等。
创新互联建站专注于石嘴山企业网站建设,自适应网站建设,电子商务商城网站建设。石嘴山网站建设公司,为石嘴山等地区提供建站服务。全流程定制网站，专业设计，全程项目跟踪，创新互联建站专业和态度为您提供的服务数据清洗
数据清洗是数据价值链中最关键的一步。垃圾数据即使是通过最好的分析也可能会产生错误的结果，并造成较大的误导。
数据清洗就是处理缺失数据以及清除无意义的信息，如删除原始数据集中的无关数据、重复数据、平滑噪音数据，筛选掉与分析主题无关的数据等等。
重复值的处理
步骤如下：
1 利用DataFrame中的duplicated方法返回一个布尔型的Series，显示是否有重复行。没有显示FALSE,有则从重复的第二行起显示为TRUE
2 在利用DataFrame中的drop_duplicates方法返回一个移除了重复行的DataFrame
duplicated的格式：
duplicated(subset=None, keep='first')
括号中的参数均为可选，不写默认判断全部列
subset用于识别重复的列标签或列标签序号，默认是所有的列标签
keep为first表示除了第一次出现外，其余相同的数据被标记为重复；为last表示除了最后一次外，其余相同的数据被标记为重复；为false表示所有相同的数据都被标记为重复
drop_duplicates的格式：
drop_duplicates()
如果你想指定某个列就在括号里加入列名即可
from pandas import DataFrame
from pandas import Series
#造数据
df=DataFrame({'age':Series([26,85,85]),'name':Series(['xiaoqiang1','xiaoqiang2','xiaoqiang2'])})
df
#判断是否有重复行
df.duplicated()
#移除重复行
df.drop_duplicates()缺失值的处理
缺失值的处理一般包括两个步骤，分别是缺失数据的识别和缺失数据的处理。
缺失数据的识别
pandas使用浮点值NaN表示浮点和非浮点数组里的缺失数据，并使用isnull和notnull函数来判断缺失情况。
#缺失数据的识别 from pandas import DataFrame from pandas import read_excel #有缺失数据 df=read_excel(r'D:python_workspaceanacondarz.xlsx', sheetname='Sheet2') df #识别缺失数据,NaN的就会显示True。notnull函数正好相反 df.isnull()
rz.xlsx的内容如下
缺失数据的处理
对于缺失数据的处理有数据补齐、删除对应的行、不处理。这里直接撸代码解释
#接着上面的继续，进行数据的处理
#去除数据中值为空的数据行
newdf=df.dropna()
newdf
#用其他数值代替NaN
newdf2=df.fillna('--')
newdf2
#用前一个数据值代替NaN
newdf3=df.fillna(method='pad')
newdf3
#用后一个数据值代替NaN
newdf4=df.fillna(method='bfill')
newdf4
#传入一个字典对不同的列填充不同的值
newdf5=df.fillna({'数分':100,'高代':99})
newdf5
#用平均数来代替NaN。会自动计算有NaN两列的数据的平均数
newdf6=df.fillna(df.mean())
newdf6
#还可以使用strip()来去除数据左右的指定字符，这个是python的基础了，这里不做演示了另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
本文标题：基于python的大数据分析-数据处理（代码实战）-创新互联
本文URL：http://cdiso.cn/article/dhiiji.html
