目录
缺失值处理重复值处理异常值处理数据类型转换文本清洗数据分组统计数据分箱数据标准化在数据处理与分析过程中，缺失值、重复值、异常值等问题是常见的挑战。
本文总结了多种数据清洗与处理方法：
缺失值处理包括删除缺失值、固定值填充、前后向填充以及删除缺失率高的列；
重复值处理通过删除或标记重复项解决数据冗余问题；
异常值处理采用替换或标记方法控制数据质量；
数据类型转换确保数据格式符合分析需求，例如转换为整数或日期类型；
文本清洗包括去空格、字符替换及转换大小写等操作。
此外，还介绍了数据分组统计、数据分箱与标准化的应用。例如，分组统计可按列求均值，数据分箱能为连续变量赋予分类标签，而归一化则通过压缩数据范围提升模型表现。这些方法能有效提高数据质量与分析效率，是数据科学中不可或缺的能。
缺失值处理
删除缺失值
df_dropped = df.dropna()print("\n删除缺失值后:")print(df_dropped)用固定值填充缺失值
df_filled = df.fillna({ 'title': 'Unknown', 'author': 'Unknown Author', 'price': df['price'].mean()})print("\n填充缺失值后:")print(df_filled)前向填充
df_ffill = df.fillna(method='ffill')print("\n前向填充缺失值后:")print(df_ffill)后向填充
df_bfill = df.fillna(method='bfill')print("\n后向填充缺失值后:")print(df_bfill)删除缺失率高的列
df_dropped_cols = df.dropna(axis=1, thresh=len(df) * 0.5) print("\n删除缺失率高的列后:")print(df_dropped_cols)重复值处理
删除重复值
df_deduplicated = df.drop_duplicates()print("\n删除重复值后:")print(df_deduplicated)标记重复值
df['is_duplicate'] = df.duplicated()print("\n标记重复值后:")print(df)异常值处理
替换异常值
df['price'] = df['price'].apply(lambda x: x if 0 <= x <= 100 else df['price'].mean())print("\n替换异常值后:")print(df)标记异常值
df['is_outlier'] = df['price'].apply(lambda x: 1 if x < 0 or x > 100 else 0)print("\n标记异常值后:")print(df)数据类型转换
转换为整数类型
df['price'] = df['price'].astype(int)print("\n转换为整数后:")print(df)转换为日期类型
df['date'] = pd.to_datetime(df['date'], errors='coerce')print("\n转换为日期类型后:")print(df)文本清洗
去掉两端空格
df['title'] = df['title'].str.strip()print("\n去掉两端空格后:")print(df)替换特定字符
df['title'] = df['title'].str.replace('[^a-zA-Z0-9\s]', '', regex=True)print("\n替换特定字符后:")print(df)转换为小写
df['title'] = df['title'].str.lower()print("\n转换为小写后:")print(df)数据分组统计
按列分组求均值
grouped = df.groupby('author')['price'].mean()print("\n按作者分组的平均价格:")print(grouped)数据分箱
按价格分箱
bins = [0, 10, 20, 30]labels = ['低', '中', '高']df['price_level'] = pd.cut(df['price'], bins=bins, labels=labels, right=False)print("\n按价格分箱后:")print(df)数据标准化
归一化处理
from sklearn.preprocessing import MinMaxScalerscaler = MinMaxScaler()df['price_scaled'] = scaler.fit_transform(df[['price']])print("\n归一化后的数据:")print(df)
