作者 | 吹牛Z

來源 | 數據不吹牛

原文 | Python數據分析實戰基礎 | 清洗常用4板斧

首先，導入案例數據集。因為案例數據存放在同一個Excel表的不同Sheet下，我們需要指定sheetname分別讀?。?/span>

下面開始清洗的正餐。

01 增——拓展數據維度

1.1 縱向合并

這三個sheet的數據，維度完全一致（每列數據都是一樣），縱向合并起來分析十分方便。說到縱向合并，concat大佬不請自來，他的招式簡單明了——pd.concat([表1，表2，表3])，對于列字段統一的數據，我們只需把表依次傳入參數：

concat大佬繼續說到：“其實把我參數axis設置成1就可以橫向合并.."說時遲那時快，我一個箭步沖上去捂住他的嘴巴“牛逼的人做好一件事就夠了，橫向的就交給merge吧~”

小Z溫馨提示：pandas中很多函數功能十分強大，能夠實現多種功能，但對于萌新來說，過多甚至交叉的功能往往會造成懵B的狀態，所以這里一種功能先只用一種方式來實現。

1.2 橫向合并

橫向合并涉及到連接問題，為方便理解，我們構造一些更有代表性的數據集練手：

兩個DataFrame是兩張成績表，h1是5位同學的數學、英語、語文成績，h2是4位同學的籃球和舞蹈成績，現在想找到并合并兩張表同時出現的同學及其成績，可以用merge方法：

我們來詳解一下merge的參數，left和rgiht分別對應著需要連接的左表和右表，這里語數外成績表是左表，籃球、舞蹈成績是右表。

left_index與right_index是當我們用索引（這兩個表的名字在索引中）連接時指定的參數，設置為on表示用該表的索引作為連接的條件（或者說橋梁）。假設姓名是單獨的一列值，且需要根據姓名進行匹配，那就需要用“left_on = '姓名',right_on = '姓名'”，我們可以分別指定左表的匹配列和右表的匹配列。

how是指定連接方式，這里用的inner，表示我們基于姓名索引來匹配，只返回兩個表中共同（同時出現）姓名的數據。下面詳解一下inner還涉及到的其他參數——left,right,outer。

左右連接（left和right）：

左連接（left）和右連接（right），我們可以直觀理解為哪邊的表是老大，誰是老大，就聽誰的（所有行全部保持），先看左連接，左表h1原封不動，右邊根據左表進行合并，如果存在相關的名字，就正常返回數據，如果不存在（韓梅梅、李雷），就返回空(NAN)值；右連接就是聽右表的，左表有則返回無則為空。

外連接（outer）：

外連接是兩張表妥協的產物，我的數據全保留，你的也全保留，你有我無的就空著，你無我有的也空著。

02 刪——刪空去重

2.1 刪空

在一些場景，源數據的缺失（空值）對于分析來說是干擾項，需要系統的刪除。上文我們合并后的df數據集就是有缺失數據的：

要刪除空值，一個dropna即可搞定：

dropna函數默認刪除所有出現空值的行，即只要一行中任意一個字段為空，就會被刪除。我們可以設置subset參數，例如dropna(subset = ['city'])，來指定當一行中的city字段為空時，才會被刪除。

2.2 去重

說是講去重，但是案例數據比較干凈，沒有兩行數據是完全一樣的，所以我們要制造點困難，增加幾行重復值：

把源數據重復兩遍，賦值給repeat，這樣每一行數據都有重復的數據。要把重復數據刪掉，一行代碼就搞定：

drop_duplicates方法去重默認會刪掉完全重復的行（每個值都一樣的行），如果我們要刪除指定列重復的數據，可以通過指定subset參數來實現，假如我們有個奇葩想法，要基于“流量級別”這列進行去重，則可以：

我們會發現，流量有三個級別，通過指定subset參數，我們刪除了這個字段重復的行，保留了各自不重復的第一行。繼續展開講，在源數據中，流量渠道為“一級”的有7行數據，每行數據其他字段都不相同，這里我們刪除了后6行，只保留了第一行，但如果我們想在去重的過程中刪除前面6行，保留最后一行數據怎么操作？答案很簡單，指定keep參數即可。

keep值等于last，保留最后一行數據，不輸入keep值時，系統默認會給keep賦值為first，就會保留第一行數據而刪掉其他的。

03 查——基于條件查詢

查，不是單純的返回幾行數據，而是根據業務實際需求，基于一定的條件查看和選擇數據。

3.1 按條件索引/篩選

loc獨白：你沒有看錯，哥的分量實在是太重了，所以又來搶個沙發，刷個臉熟。

這次需求是篩選出訪客數大于10000的一級渠道，loc一下：

在行參數設置好同時滿足訪客數大于10000和流量級別等于“一級”這兩個條件即可。

3.2 排序

很多情況下，我們都需要通過排序來觀察數據規律，以及快速篩選出TOP N的數據項。對于案例數據，我們怎么樣按交易金額進行排序并篩選出TOP3的渠道呢？

問題的關鍵就在于排序，這個時候sort_values函數就派上用場了：

整個操作十分簡單，sort_values函數，顧名思義是按照數值進行排序，首先要傳入的參數是列參數，即我們根據哪一列的數值來進行排序，ascending參數決定了排序順序，等于Flase則是從大到小的降序，設置為True則是升序。

排序完之后，篩選TOP3渠道就非常簡單：

補充一個知識點，如果跟著文章操作，會發現無論是刪空的dropna，還是去重的drop_duplicates，或者是排序的sort_values，在對源數據進行操作后，源數據并未改變，這是因為我們沒有對這幾個函數的inplace值進行設置，如果設置成inplace = True，刪空、去重和排序都會在源數據上生效。

但這里為了避免出現不必要的錯誤而無法更改，更建議大家把操作后的源數據賦值給新的變量，如new = df.dropna()，而不是將源數據的inplace參數設置為True。

04 分——分組和切分

話天下大勢，合久必分，數據亦是如此。在分組的版塊中，我們重點介紹groupby分組和cut切分。

4.1分組

在案例數據中，總的流量級別有三級，每一級下又有多個投放地區，如果我們想匯總看每個級別流量所對應的總訪客數和支付金額，就需要用到分組了。

groupby是分組函數，最主要的參數是列參數，即按照哪一列或者哪幾列（多列要用列表外括）進行匯總，這里是按照流量級別：

可以看到，直接分組之后，沒有返回任何我們期望的數據，要進一步得到數據，需要在分組的時候對相關字段進行計算（常用的計算方法包括sum、max、min、mean、std）：

后面加上了sum，代表我們先按照流量級別進行分組，再對分組內的字段求和。由于沒有指定求和的列，所以是對所有數值型字段進行了求和。此處我們只想要各級別流量下的訪客數和支付金額，需要指明參數：

流量級別作為匯總的依據列，默認轉化為索引列，如果我們不希望它變成索引，向groupby內傳入參數as_index = False即可：

4.2 切分

切分（分桶）操作常用于一維數組的分類和打標，cut函數能夠高效的完成任務。它的主要參數和用法如下：

不要被復雜的解釋迷惑，一個例子就完全搞懂了。

以案例數據為例，每個渠道都有對應的訪客數，我們現在希望對各渠道訪客級、千級和萬級的渠道。

我們想對流量級別進行百、千、萬的歸類，所以把分組數值標準傳入bins參數。從結果可以看到，在不設置right的情況下，分組區間是默認左開右閉的，而我們希望的是左閉右開，即百級流量渠道訪客數在0-99之間，所以需要將right值設置為False。

下面我們直接對分組后的數據進行打標，訪客數在0-99設置為“辣雞”，100-999設置為百級，千級和萬級以此類推，同時將打好標簽的數據作為新列給到源

非常高效，一行半代碼就搞定了分組、判斷和打標的過程。

總結

本文從增、刪、查、分四個模塊，分別介紹了橫向、縱向合并；刪空、去重；篩選、排序和分組、切分等數據清洗過程中的常見操作。在實際運用中，各操作往往是你中有我，我中有你，共同為了營造一個“干凈”的數據而努力。