Python 数据分析与可视化 Day 2 - 数据清洗基础

🎯 今日目标

• 学会识别和处理缺失数据（NaN）
• 学会删除/填补缺失值
• 清理重复数据
• 修改列类型，准备数据分析

🧼 一、缺失值处理（NaN）

✅ 1. 检查缺失值

import pandas as pd
df = pd.read_csv("students.csv")

print(df.isnull())        # 每个元素是否为 NaN
print(df.isnull().sum())  # 每列缺失值数量

✅ 2. 删除缺失数据

df.dropna()            # 删除包含 NaN 的行
df.dropna(axis=1)      # 删除包含 NaN 的列

inplace=True 参数可以就地修改，不返回新对象。

✅ 3. 填充缺失数据

df.fillna(0)               # 全部填 0
df["成绩"].fillna(df["成绩"].mean())   # 用均值填充
df.fillna(method="ffill")  # 用上一行填
df.fillna(method="bfill")  # 用下一行填

🔁 二、重复值处理

✅ 1. 检测重复数据

df.duplicated()            # 标记每行是否重复（默认所有列）
df.duplicated(subset=["姓名"])  # 指定列检查

✅ 2. 删除重复数据

df.drop_duplicates(inplace=True)

🔧 三、数据类型转换

df["成绩"] = df["成绩"].astype(float)
df["是否及格"] = df["是否及格"].astype(bool)

可以使用 df.dtypes 查看所有列的数据类型。

🧪 今日练习任务

使用以下示例数据，完成清洗操作：

姓名,性别,成绩,是否及格
张三,男,88,True
李四,女,,True
王五,男,59,False
张三,男,88,True
赵六,,92,True
田七,女,NaN,

📝 任务：

1. 加载该 CSV 文件为 DataFrame

2. 检查每列缺失值数量

3. 删除性别缺失的行

4. 用“成绩”列均值填补成绩缺失值

5. 删除重复的行（姓名、成绩相同）

6. 将“成绩”列类型设置为 float，将“是否及格”填补为 False

   import pandas as pd
   import os
   
   # 路径设置
   input_path = "./data/students_dirty.csv"
   output_path = "./data/students_cleaned.csv"
   
   # 确保输出目录存在
   os.makedirs(os.path.dirname(output_path), exist_ok=True)
   
   # 加载原始数据
   df = pd.read_csv(input_path)
   print("原始数据：")
   print(df)
   
   # 1. 检查每列缺失值数量
   print("\n缺失值统计：")
   print(df.isnull().sum())
   
   # 2. 删除性别缺失的行
   df = df.dropna(subset=["性别"])
   
   # 3. 用“成绩”列均值填补缺失值
   # 保留整数部分，四舍五入到整数
   mean_score = df["成绩"].mean().round()
   df["成绩"] = df["成绩"].fillna(mean_score)
   
   # 4. 删除重复的行（默认检查所有列）
   df = df.drop_duplicates()
   
   # 5. 填补“是否及格”空缺值为 False
   with pd.option_context("future.no_silent_downcasting", True):
       df = df.fillna(False).infer_objects(copy=False)
   
   
   # 6. 数据类型转换
   df["成绩"] = df["成绩"].astype(float)
   df["是否及格"] = df["是否及格"].astype(bool)
   
   # 显示清洗结果
   print("\n清洗后的数据：")
   print(df)
   
   # 保存结果
   df.to_csv(output_path, index=False, encoding="utf-8")
   print(f"\n✅ 清洗后的数据已保存至 {output_path}")
   

   ✅ 示例输出（清洗后）

   原始数据：
      姓名   性别    成绩   是否及格
   0  张三    男  88.0   True
   1  李四    女   NaN   True
   2  王五    男  59.0  False
   3  张三    男  88.0   True
   4  赵六  NaN  92.0   True
   5  田七    女   NaN    NaN
   
   缺失值统计：
   姓名      0
   性别      1
   成绩      2
   是否及格    1
   dtype: int64
   
   清洗后的数据：
      姓名 性别    成绩   是否及格
   0  张三  男  88.0   True
   1  李四  女  78.0   True
   2  王五  男  59.0  False
   5  田七  女  78.0  False
   
   ✅ 清洗后的数据已保存至 ./data/students_cleaned.csv
   

        姓名 性别    成绩 是否及格
   0    张三  男  88.0   True
   1    李四  女  79.7   True
   2    王五  男  59.0  False
   3    田七  女  79.7  False
   

   

✍️ 今日总结

• 掌握了 dropna()、fillna()、drop_duplicates() 等数据清洗方法
• 学会判断和填补缺失值
• 理解了数据类型转换在分析前的重要性

题外话