第 3 章 数据清洗#

这一章要解决什么#

如果你认真做过 Excel 清洗，就知道真实的数据从来不是干净的。你拿到的表通常长这样：

• 有些单元格是空的（Excel 里显示一片灰）；
• 同一笔订单被录了两遍；
• 列名带着前后空格，或者是英文缩写；
• 金额列里混着 "1,299"、"未知" 这种字符串；
• 日期列是字符串 "2024/03/02"，没法按月分组。

这些问题的共同点是：它们不会让程序报错，只会让你的分析结果算错。 这才是真正危险的地方。

这一章教你 Pandas 里清洗数据的标准四步：

1. 先体检——用 info() / isna() 摸清问题；

2. 处理缺失值——填充还是删除，按业务判断；

3. 处理重复和异常——删重复、改错值；

4. 规整类型和列名——把字符串变成能算的数字和日期。

章节导航#

• 第 3.1 节 核心知识点——缺失值、重复值、重命名、替换、类型转换，每项都有「先看问题、再动手改」的完整流程。

• 第 3.2 节 编程练习——5 道动手题，模拟一次真实的「把脏报表洗干净」的过程。

• 第 3.3 节 常见问题——10 个高频疑问，比如「为什么 count() 少了一行」「该用均值还是中位数填充」。

预备知识#

• 知道第 2 章的布尔索引：df[df["销量"] >= 3]；

• 知道 df.copy() 能复制一张表；

• 知道 Python 的字典 {旧名: 新名} 长什么样。

本章最重要的一条原则 清洗前先看清问题，清洗后检查结果。 每改一步就打印一下 len(df) 或 df.head()，确认改动符合预期。 不检查的清洗，等于把错误藏得更深。