前言
Python实际针对数据分析的学习是库，用库来解决一系列的数据分析问题
去掉信息不全的用户
描述
现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：
- Nowcoder_ID：用户ID
- Level：等级
- Achievement_value：成就值
- Num_of_exercise：刷题量
- Graduate_year：毕业年份
- Language：常用语言
- Continuous_check_in_days：最近连续签到天数
- Number_of_submissions：提交代码次数
- Last_submission_time：最后一次提交题目日期
运营同学正在做用户调研，为了保证调研的可靠性，想要去掉那些信息不全的用户，即去掉有缺失数据的行，请你帮助他去掉后输出全部数据。
输入描述
数据集直接从当前目录下的Nowcoder.csv文件中读取。
输出描述：
直接输出清洗后的全部数据。
答案
import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',', dtype=object)
pd.set_option('display.width', 300) # 设置字符显示宽度
pd.set_option('display.max_rows', None) # 设置显示最大行
pd.set_option('display.max_columns', None)
print(Nowcoder[Nowcoder.isna() == False])
修补缺失的用户数据
描述
现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：
- Nowcoder_ID：用户ID
- Level：等级
- Achievement_value：成就值
- Num_of_exercise：刷题量
- Graduate_year：毕业年份
- Language：常用语言
- Continuous_check_in_days：最近连续签到天数
- Number_of_submissions：提交代码次数
- Last_submission_time：最后一次提交题目日期
运营同学拿到了这份用户文件，但是由于系统BUG，出现了部分缺失的值，请你使用当前的最大年份填充缺失的毕业年份（“Graduate_year”），用Python填充缺失的常用语言（“Language”），用成就值的均值（四舍五入保留整数）填充缺失的成就值（“Achievement_value”）。
输入描述
数据集直接从当前目录下的Nowcoder.csv文件中读取。
输出描述：
输出修改后的全部数据，不用处理输出时年份与成就值的小数点问题。
答案
import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',')
pd.set_option('display.width', 300) # 设置字符显示宽度
pd.set_option('display.max_rows', None) # 设置显示最大行
pd.set_option('display.max_columns', None)
Nowcoder["Graduate_year"].fillna(Nowcoder["Graduate_year"].max())
Nowcoder["Language"].fillna("Python")
Nowcoder["Achievement_value"].fillna(Nowcoder["Achievement_value"].mean().round(0))
print(Nowcoder)
解决牛客网用户重复的数据
描述
现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：
- Nowcoder_ID：用户ID
- Level：等级
- Achievement_value：成就值
- Num_of_exercise：刷题量
- Graduate_year：毕业年份
- Language：常用语言
- Continuous_check_in_days：最近连续签到天数
- Number_of_submissions：提交代码次数
- Last_submission_time：最后一次提交题目日期
牛牛拿到这份文件的时候一脸懵逼，因为系统错误将很多相同用户的数据输出了多条，导致文件中有很多重复的行，请先检查每一行是否重复，然后输出删除重复行后的全部数据。
输入描述
数据集直接从当前目录下的Nowcoder.csv文件中读取。
输出描述
先输出每一行是否重复，再输出去重后的文件全部数据
答案
import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv', sep=',', dtype=object)
pd.set_option('display.width', 1000)
pd.set_option('display.max_rows', None)
print(Nowcoder.duplicated())
print(Nowcoder.drop_duplicates(0))
统一最后刷题日期的格式
描述
现有一个Nowcoder.csv文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：
- Nowcoder_ID：用户ID
- Level：等级
- Achievement_value：成就值
- Num_of_exercise：刷题量
- Graduate_year：毕业年份
- Language：常用语言
- Continuous_check_in_days：最近连续签到天数
- Number_of_submissions：提交代码次数
- Last_submission_time：最后一次提交题目日期
运营同学发现最后一次提交题目日期这一列有各种各样的日期格式，这对于他分析用户十分不友好，你能够帮他输出用户ID、等级以及统一后的日期吗？（日期格式统一为yyyy-mm-dd）
输入描述
数据集直接从当前目录下的Nowcoder.csv文件中读取。
输出描述
输出用户ID、等级与最后提交日期三列，包括行号。
答案
import pandas as pd
Nowcoder = pd.read_csv('Nowcoder.csv',sep=',',dtype=object)
Nowcoder['Last_submission_time'] = pd.to_datetime(Nowcoder["Last_submission_time"],format="%Y-%m-%d")
print(Nowcoder[['Nowcoder_ID','Level','Last_submission_time']])
将用户的json文件转换为表格形式
描述
现有一个Nowcoder.json文件，它记录了牛客网的部分用户数据，包含如下字段（字段与字段之间以逗号间隔）：
- Nowcoder_ID：用户ID
- Level：等级
- Achievement_value：成就值
- Graduate_year：毕业年份
- Language：常用语言
如果你读入了这个json文件，能将其转换为pandas的DataFrame格式吗？
输入描述：
数据集直接从当前目录下的Nowcoder.json文件中读取。
输出描述：
输出转换为DataFrame的全部数据，包括行号。
答案
import pandas as pd
import json
pd.set_option('display.width', 300) # 设置字符显示宽度
pd.set_option('display.max_rows', None) # 设置显示最大行
pd.set_option('display.max_columns', None)
with open('Nowcoder.json', 'r') as f:
data = json.loads(f.read())
df = pd.DataFrame.from_dict(data)
print(df)
以上就是Python实现数据清洗的示例详解的详细内容，更多关于Python数据清洗的资料请关注Devmax其它相关文章！