Python數(shù)據(jù)分析與可視化（微課版） 課件 ch05 數(shù)據(jù)清理案例實戰(zhàn)

第5章數(shù)據(jù)清理案例實戰(zhàn)Python數(shù)據(jù)分析與可視化學習目標熟悉常見數(shù)據(jù)問題的處理方式；掌握缺失值、重復值和異常值的檢測與處理；掌握多種數(shù)據(jù)源合并的方法；學會使用數(shù)據(jù)透視方式觀測數(shù)據(jù)；學會對二手房數(shù)據(jù)案例進行清洗；學會對“數(shù)據(jù)分析”崗位需求案例進行數(shù)據(jù)分析；學會對年度銷售數(shù)據(jù)案例進行數(shù)據(jù)分析。任務(wù)五：數(shù)據(jù)清理案例實戰(zhàn)5.1數(shù)據(jù)清理概述5.2案例實戰(zhàn)之成都錦江區(qū)二手房數(shù)據(jù)清理5.3案例實戰(zhàn)之數(shù)據(jù)分析崗位需求分析5.4案例實戰(zhàn)之年度銷售數(shù)據(jù)分析目錄CONTENTS

數(shù)據(jù)清理是數(shù)據(jù)預處理的一個關(guān)鍵環(huán)節(jié)，在這一環(huán)節(jié)中，我們主要通過一定的檢測與處理方法，將“臟”數(shù)據(jù)清理成質(zhì)量較高的“干凈”數(shù)據(jù)。Pandas為數(shù)據(jù)清理提供了一系列方法，本章將圍繞這些數(shù)據(jù)清理方法進行詳細地講解。5.1數(shù)據(jù)清理概述

數(shù)據(jù)清理是數(shù)據(jù)預處理中關(guān)鍵的一步，其目的在于剔除原有數(shù)據(jù)中的“臟”數(shù)據(jù)，提高數(shù)據(jù)的質(zhì)量，使數(shù)據(jù)具有完整性、唯一性、權(quán)威性、合法性和一致性等特點。數(shù)據(jù)清理的結(jié)果直接影響著數(shù)據(jù)分析或數(shù)據(jù)挖掘的結(jié)果。

數(shù)據(jù)清理主要解決前面介紹過的數(shù)據(jù)問題，常遇到的數(shù)據(jù)問題有3種：數(shù)據(jù)缺失、數(shù)據(jù)重復、數(shù)據(jù)異常，它們分別是由數(shù)據(jù)中存在缺失值、重復值、異常值而引起的。1.缺失值的處理方式

缺失值是指樣本數(shù)據(jù)中某個或某些屬性的值是不全的，主要是由于機械故障、人為原因?qū)е虏糠謹?shù)據(jù)未能收集。若直接使用有缺失值的數(shù)據(jù)進行分析，會降低分析結(jié)果的準確性，為此需通過合適的方式予以處理。缺失值主要有三種處理方式：刪除、填充和插補。

（1）刪除缺失值是最簡單的處理方式，這種方式通過直接刪除包含缺失值的行或列來達到目的，適用于刪除缺失值后產(chǎn)生較小偏差的樣本數(shù)據(jù)，但并不是十分有效。

（2）填充缺失值是比較流行的處理方式，這種方式一般會將諸如平均數(shù)、中位數(shù)、眾數(shù)、缺失值前后的數(shù)填充至空缺位置。

（3）插補缺失值是一種相對復雜且靈活的處理方式，這種方式主要基于一定的插補算法來填充缺失值。常見的插補算法有線性插值和最鄰近插值。1.缺失值的處理方式

在Pandas中使用NaN或None代表缺失值，檢測缺失值的常用方法包括isnull()、notnull()、isna()和notna()。這四種方法均會返回一個由布爾值組成、與原對象形狀相同的新對象。isnull()和isna()方法的用法相同，它們會在檢測到缺失值的位置標記Truenotnull()和notna()方法的用法相同，它們會在檢測到缺失值的位置標記False2.重復值的處理方式

重復值是指樣本數(shù)據(jù)中某個或某些數(shù)據(jù)記錄完全相同，主要是由于人工錄入、機械故障導致部分數(shù)據(jù)重復錄入。重復值主要有兩種處理方式：刪除和保留，其中刪除重復值是比較常見的方式，其目的在于保留唯一的數(shù)據(jù)記錄。

在Pandas中使用duplicated()方法來檢測數(shù)據(jù)中的重復值。duplicated()方法檢測完數(shù)據(jù)后會返回一個由布爾值組成的Series類對象，該對象中若包含True，說明True對應(yīng)的一行數(shù)據(jù)為重復項。

需要說明的是，在分析演變規(guī)律、樣本不均衡處理、業(yè)務(wù)規(guī)則等場景中，重復值具有一定的使用價值，需做保留。3.異常值的處理方式

異常值是指樣本數(shù)據(jù)中處于特定范圍之外的個別值，這些值明顯偏離它們所屬樣本的其余觀測值，其產(chǎn)生的原因有很多，包括人為疏忽、失誤或儀器異常等。處理異常值之前，需要先辨別哪些值是“真異?！焙汀皞萎惓！?，再根據(jù)實際情況正確地處理異常值。

異常值的處理方式主要有保留、刪除和替換。保留異常值也就是對異常值不做任何處理，這種方式通常適用于“偽異?！?，即準確的數(shù)據(jù)；刪除異常值和替換異常值是比較常用的方式，其中替換異常值是使用指定的值或根據(jù)算法計算的值替代檢測出的異常值。

若需要對數(shù)據(jù)進行異常值檢測，則可以使用3σ原則（又稱為拉依達原則）和箱形圖這兩種方法來檢測異常值。小結(jié)

總而言之，缺失值、重復值、異常值都有多種處理方式，具體選用哪種方式進行處理要依據(jù)具體的處理需求和樣本數(shù)據(jù)特點決定。5.2案例實戰(zhàn)之成都錦江區(qū)二手房數(shù)據(jù)清理

為了更好地理解數(shù)據(jù)清理的操作，能夠在實際運用中清洗數(shù)據(jù)，本案例將結(jié)合一組關(guān)于成都錦江區(qū)二手房情況的數(shù)據(jù)（handroom.xlsx），介紹如何使用Pandas模塊對這組數(shù)據(jù)進行預處理。需完成如下操作：

（1）檢查缺失值，一旦發(fā)現(xiàn)有缺失值就將其刪除。

（2）檢查重復值，一旦發(fā)現(xiàn)有重復值就將其刪除。

（3）檢測二手房數(shù)據(jù)單價列的異常值，一旦確定是真異常值就將其刪除。5.3案例實戰(zhàn)之數(shù)據(jù)分析崗位需求分析

隨著大數(shù)據(jù)領(lǐng)域的不斷拓展，海量數(shù)據(jù)已經(jīng)全面地融入人們的社會生活，基于海量數(shù)據(jù)的分析人才逐漸成為各企業(yè)追逐的寵兒。大數(shù)據(jù)這一熱門行業(yè)衍生了眾多與數(shù)據(jù)相關(guān)的崗位，在這些崗位中數(shù)據(jù)分析崗位脫穎而出，受到業(yè)界人士的廣泛關(guān)注。為了從多個角度了解數(shù)據(jù)分析崗位的實際情況，本案例從數(shù)據(jù)分析的角度出發(fā)，結(jié)合從招聘網(wǎng)站上收集的有關(guān)數(shù)據(jù)分析崗位的數(shù)據(jù)，利用Pandas和Matplotlib庫處理與展現(xiàn)數(shù)據(jù)。5.3案例實戰(zhàn)之數(shù)據(jù)分析崗位需求分析需完成如下操作：（1）數(shù)據(jù)拼接，將多個文件合并成一個文件后再進行處理。（2）數(shù)據(jù)預處理相關(guān)工作，如數(shù)據(jù)選取、數(shù)據(jù)篩選和字符處理等。（3）分析不同城市“數(shù)據(jù)分析”崗位需求情況。（4）分析“數(shù)據(jù)分析”崗位的學歷要求。（5）分析不同城市“數(shù)據(jù)分析”崗位的薪資水平。5.4案例實戰(zhàn)之年度銷售數(shù)據(jù)分析

無論是企業(yè)或公司還是銷售員都應(yīng)該對產(chǎn)品銷售情況有個全面、客觀、真實的了解，通過分析以往的銷售數(shù)據(jù)，總結(jié)出銷售規(guī)律，有針對性地調(diào)整銷售策略，幫助企業(yè)決策者快速精準地對銷售情況進行分析，做出實現(xiàn)銷售業(yè)績快速增長的決策。本案例將結(jié)合來自不同銷售渠道銷售的不同品牌數(shù)據(jù)（2020年銷售數(shù)據(jù).xlsx）進行分析，介紹如何使用分組聚合的方法來處理與展現(xiàn)數(shù)據(jù)。5.4案例實戰(zhàn)之年度銷售數(shù)據(jù)分析需完成如下操作：（1）統(tǒng)計月度銷售額；（2）統(tǒng)計品牌銷售額的占比；（3）統(tǒng)計各地區(qū)的月度銷售額；（4）統(tǒng)計各渠道的品牌銷量；（5）統(tǒng)計不同價格區(qū)間商品的月度銷量。本章小結(jié)

數(shù)據(jù)清理是數(shù)據(jù)分析過程中非常重要的一個環(huán)節(jié)，只有擁有質(zhì)量較高的“干凈”數(shù)據(jù)才能較好的對數(shù)據(jù)進行分析及可視化。本章介紹了常見數(shù)據(jù)問題的處理方式，缺失值、重復值和異常值的檢測與處理，通過二手房數(shù)據(jù)清理案例可以學習到數(shù)據(jù)清洗的基本方法及清洗流