1. 首页
  2. Python

使用Python和Pandas的最简单的数据清理方法

“u003Cdivu003Eu003Cpu003E在本文中,我们将学习如何使用Python包Pyjanitor简化数据预处理工作。具体来说,我们将学习如何:u003Cu002Fpu003Eu003Culu003Eu003Cli class=”ql-align-justify”u003E向一个Pandasdataframe(数据帧)中添加一个列u003Cu002Fliu003Eu003Cli class=”ql-align-justify”u003E删除缺失的值u003Cu002Fliu003Eu003Cli class=”ql-align-justify”u003E删除一个空列u003Cu002Fliu003Eu003Cli class=”ql-align-justify”u003E清洗列名称u003Cu002Fliu003Eu003Cu002Fulu003Eu003Cpu003E也就是说,我们将学习如何使用Pyjanitor清理Pandas数据帧。在所有Python数据操作示例中,我们还将看到如何仅使用Pandas的功能来实现这些操作。u003Cu002Fpu003Eu003Cdiv class=”tt-column-card” data-content='{“new_thumb_url”: “http:u002Fu002Fsf6-ttcdn-tos.pstatp.comu002Fimgu002Fpgc-imageu002F15631550041466405be4c5b”, “title”: “Matplotlib\\u89c6\\u9891\\u6559\\u7a0b”, “distribution_user_id”: 6388007932, “price”: 10, “column_id”: “6713701186265940227”, “author_description”: “Python\\u90e8\\u843d”, “share_price”: 4, “thumb_url”: “http:u002Fu002Fp8.pstatp.comu002Flargeu002Fpgc-imageu002F15631550041466405be4c5b”, “sold”: 18}’u003Eu003Cp class=”column-placeholder”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003EPyjanitor是什么?u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003EPyjanitor是什么?在我们继续学习如何使用Pandas和Pyjanitor来清理数据集之前,我们将学习这个包。Python包Pyjanitor使用基于文本的API扩展了Pandas。这个易于使用的API为我们提供了方便的数据清理技术。显然,它一开始是R包 janitor的一部分。此外,它的灵感来自于R包 dplyr的易用性和表现力。注意,有一些不同的方式可以使用这些方法,本文不会涵盖所有方式(请参阅文档:https:u002Fu002Fpyjanitor.readthedocs.iou002F )。u003Cu002Fpu003Eu003Ch1u003Eu003Cstrongu003E如何安装 Pyjanitoru003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E有两种比较容易的方法来安装Pyjanitor:u003Cu002Fpu003Eu003Cpu003E1.使用Pip安装Pyjanitor u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002F9d09ca32a0884df3896f5463d045f211″ img_width=”690″ img_height=”36″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003E2.使用Conda安装Pyjanitor:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp9.pstatp.comu002Flargeu002Fpgc-imageu002Fb4aaa7df52be4eb28d34953961def61b” img_width=”690″ img_height=”32″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003E既然我们已经知道了Pyjanitor是什么以及如何安装这个包,那我们很快就可以继续学习Python数据清理教程了,学习如何从Pandas中删除缺失的值。注意,本Pandas教程将详细介绍如何使用Pandas和Pyjanitor来实现这一点。最后,我们将有一个完整的只使用Pyjanitor的数据清理示例和一个链接到包含所有代码的Jupyter Notebook的链接。u003Cu002Fpu003Eu003Culu003Eu003Cli class=”ql-align-justify”u003E使用Pandas进行数据操作:简明教程(https:u002Fu002Fwww.marsja.seu002Fdata-manipulation-pandas-tutorialu002F )u003Cu002Fliu003Eu003Cu002Fulu003Eu003Ch1u003Eu003Cstrongu003E假数据u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E在第一个Python数据操作示例中,我们将使用一个假数据集。更具体地说,我们将创建一个数据帧,其中有一个空列和一些缺失的值。在本文的这一部分中,我们将进一步使用Python包SciPy和NumPy。也就是说,我们还需要安装这些包。u003Cu002Fpu003Eu003Cpu003E在这个例子中,我们要创建三个列;Subject, RT (响应时间)和 Deg。要创建响应时间列,我们将使用SciPy的norm来创建正态分布的数据。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002Fee452009b68347ec958f5afc4d4d9dbb” img_width=”672″ img_height=”166″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E使用Scipy创建Python正态分布u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E在下一个代码块中,我们使用正态分布为响应时间创建一个变量。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F0043c0aa140c4958bc8ca602cbd4da21″ img_width=”673″ img_height=”54″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E重新排列列表并添加缺失的值u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E此外,我们再添加一些缺失的值,并重新排列正态分布的数据列表:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002F5aaf2e27659144ddb3b3cb0c1877e187″ img_width=”675″ img_height=”68″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E从字典创建数据帧u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E最后,我们将为我们的两个变量创建一个字典,并使用该字典来创建一个Pandas数据帧:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F174816a16a5449ad844b9ccae880de7c” img_width=”673″ img_height=”164″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003E从字典创建DataFrameu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002Fd9e3cc3769204d8eae0303ec47e0a2fb” img_width=”177″ img_height=”195″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E在Python中使用Pandas和Pyjanitor进行数据清理u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E如何向Pandas Dataframe添加一个列u003Cu002Fpu003Eu003Cpu003E现在我们已经从一个字典创建了我们的数据帧,我们准备向它添加一个列。在下面的示例中,我们将使用Pandsa和Pyjanitors方法。u003Cu002Fpu003Eu003Cpu003Eu003Cstrongu003E1. 向Pandas Dataframe追加一个列u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E使用Pandas向一个数据帧添加一个列是非常容易的。在下面的例子中,我们将向Pandas 数据帧中追加一个空列:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp9.pstatp.comu002Flargeu002Fpgc-imageu002F14227963983f4493a4c555d6621b0f0e” img_width=”664″ img_height=”49″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003E向数据帧中添加列u003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002Fd38a7b01f87a46dab2e2a07584dceeb2″ img_width=”313″ img_height=”188″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003Eu003Cstrongu003E2. 使用Pyjanitor向Pandas Dataframe添加一个列u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E现在,我们将使用add_column方法向该数据帧中追加一个列。添加一个空列不像使用上面的方法那么容易。然而,正如您将在本文末尾看到的,我们可以在创建我们的数据帧时使用所有方法:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp9.pstatp.comu002Flargeu002Fpgc-imageu002F2f99ec10a5f8405ea9f8399ee9f68806″ img_width=”668″ img_height=”67″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003E向数据帧中追加列u003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002Fa8547c503e76424bac8ca943f0e0fc52″ img_width=”452″ img_height=”178″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E如何删除Pandas Dataframe中的缺失值u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E我们的数据集远远不够完整,这是很常见的。这可能是由于测量仪器的错误,人们忘记或拒绝回答某些问题,以及许多其他事情。尽管缺失的信息背后有各种原因,但这些行被称为缺失值。在Pandas的框架中,缺失值由符号NA编码,这与在R统计环境中很像。Pandas有isna()函数来帮助我们识别数据集中的缺失值。如果我们想删除缺失值,Pandas有一个函数dropna()。u003Cu002Fpu003Eu003Cpu003Eu003Cstrongu003E1.使用Pandas dropna方法删除缺失值u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E在下面的代码示例中,我们删除所有具有缺失值的行。注意,如果我们想修改该数据帧,我们应该添加inplace参数并将其设置为true。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002Fe79f24f8654143a1a5b7d5060e7240ed” img_width=”668″ img_height=”33″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F25ab87b2267b4deb82df2c2dc12f1d81″ img_width=”441″ img_height=”180″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003Eu003Cstrongu003E2.使用PyJanitor从Pandas Dataframe中删除缺失值u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E使用Pyjanitor从Pandas Dataframe中删除缺失值的方法与上面的方法相同。也就是说,我们将使用dropna方法。但是,当我们使用Pyjanitor从该数据帧中删除缺失数据时,我们还会使用subset参数来选择要使用哪些列:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002Fefe2c3f571eb43dcb8404ea2b1e89cb4″ img_width=”666″ img_height=”27″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E如何从Pandas Dataframe中删除一个空列u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E在下一个Pandas数据操作示例中,我们将从数据帧中删除空列。首先,我们将使用Pandas删除空列,然后,我们将使用Pyjanitor。请记住,在本文的最后,我们将有一个完整的示例,其中我们在实际创建Pandas Dataframe的同时对所有数据进行清理。u003Cu002Fpu003Eu003Cpu003Eu003Cstrongu003E1. 从Pandas Dataframe中删除一个空列u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E当我们想删除一个空列(例如,带有缺失值)时,我们将再次使用Pandas的dropna方法。然而,我们还将使用axis方法并将其设置为1(针对列)。此外,我们还必须使用参数how并将其设置为’ all ‘。如果我们不这样做,它将删除任何带有缺失值的列。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002Ffd7822377143462ab7bcd6bc4d5b39be” img_width=”666″ img_height=”33″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003E删除空列u003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002Fd9e3cc3769204d8eae0303ec47e0a2fb” img_width=”177″ img_height=”195″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003Eu003Cstrongu003E2. 使用Pyjanitor从Pandas Dataframe中删除一个空列u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E使用Pyjanitor删除一个空列要更容易一点:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F31e92b88282d4acb83c73a0f519d332f” img_width=”667″ img_height=”34″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E如何在Pandas Dataframe中重命名列u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E现在我们知道了如何删除缺失值、向一个Pandas 数据帧中添加一个列以及如何删除一个列,我们将继续这个数据清理教程来学习如何重命名列。u003Cu002Fpu003Eu003Cpu003E例如,在我们学习了《如何将数据从一个JSON文件加载到一个Pandas数据帧》的文章中,我们重新命名了列,以便稍后更容易地使用该数据帧。在下面的示例中,我们将读取一个JSON文件,并使用Pandas 数据帧方法rename和Pyjanitor来重命名列。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002F8371045b9c9a4c78b52a5f130054c6ba” img_width=”675″ img_height=”165″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002F742bf09bd4034c8bb77b6e8220526a35″ img_width=”648″ img_height=”187″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cp class=”ql-align-justify”u003E更多关于将数据加载到数据帧的文章:u003Cu002Fpu003Eu003Culu003Eu003Cli class=”ql-align-justify”u003E如何使用Python和Pandas读写JSON文件 https:u002Fu002Fwww.marsja.seu002Fhow-to-read-and-write-json-files-using-python-and-pandasu002F u003Cu002Fliu003Eu003Cli class=”ql-align-justify”u003EPandas读取CSV教程 https:u002Fu002Fwww.marsja.seu002Fpandas-read-csv-tutorial-to-csvu002F u003Cu002Fliu003Eu003Cli class=”ql-align-justify”u003EPandas Excel教程:如何读写Excel文件 https:u002Fu002Fwww.marsja.seu002Fpandas-excel-tutorial-how-to-read-and-write-excel-filesu002F u003Cu002Fliu003Eu003Cu002Fulu003Eu003Cpu003Eu003Cstrongu003E1.在Pandas Dataframe中重命名列u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E如上图所示,我们想要删除一些空格和特殊字符。在第一个重命名列的例子中,我们将使用Pandas的 rename方法和正则表达式一起来重命名列(即,我们将用下划线替换空格和\)。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp1.pstatp.comu002Flargeu002Fpgc-imageu002F8b2c90715d66430cb7829bea1f14167b” img_width=”686″ img_height=”239″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003Eu003Cstrongu003E2. 如何使用Pyjanitor和clean_names重命名列u003Cu002Fstrongu003Eu003Cu002Fpu003Eu003Cpu003E使用Pyjanitor重命名一个列(或多个列)要容易得多。实际上,当我们导入了这个Python包之后,我们就可以使用clean_names方法,它将给出与使用Pandas的rename方法相同的结果。事实上,使用clean_names,我们还可以将列名称中的所有字母转换为小写:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F92177940b9bc466eb8d72d9975b21630″ img_width=”681″ img_height=”180″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E当从磁盘加载数据时,如何清理数据u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E使用Pyjanitor清理我们的数据的一个很酷的地方是,我们可以在加载数据时使用上述所有方法。例如,在最后一个数据清理示例中,我们将向该数据帧添加一个列,删除空列,删除缺失的数据,并清理列名称。这就是与Pyjanitor一起工作使我们的生活更容易的原因。u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F05598f080a7c4e5d88491acbbbe82e69″ img_width=”670″ img_height=”261″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F76fc1e4a3cbf4e9c9900e52e4a087533″ img_width=”532″ img_height=”194″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Ch1u003Eu003Cstrongu003E使用Pyjanitor聚合数据u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E在最后一个例子中,我们将使用Pandas方法agg、groupby和reset_index,以及Pyjanitor方法collapse_levels来计算每个扇区的平均值和标准:u003Cu002Fpu003Eu003Cdiv class=”pgc-img”u003Eu003Cimg src=”http:u002Fu002Fp3.pstatp.comu002Flargeu002Fpgc-imageu002F70c2d16051154cb7b4234928197dce33″ img_width=”688″ img_height=”254″ alt=”使用Python和Pandas的最简单的数据清理方法” inline=”0″u003Eu003Cp class=”pgc-img-caption”u003Eu003Cu002Fpu003Eu003Cu002Fdivu003Eu003Cpu003E更多关于使用Python和Pandas对数据进行分组和聚合的文章:u003Cu002Fpu003Eu003Culu003Eu003Cli class=”ql-align-justify”u003EPython Pandas分组教程 https:u002Fu002Fwww.marsja.seu002Fpython-pandas-groupby-tutorial-examplesu002F u003Cu002Fliu003Eu003Cli class=”ql-align-justify”u003E使用Python进行描述性统计 https:u002Fu002Fwww.marsja.seu002Fpandas-python-descriptive-statisticsu002F u003Cu002Fliu003Eu003Cu002Fulu003Eu003Ch1u003Eu003Cstrongu003E结论u003Cu002Fstrongu003Eu003Cu002Fh1u003Eu003Cpu003E在这篇文章中,我们学习了一些数据清理方法。具体来说,我们学习了如何向一个Pandas数据帧追加一个列、删除空列、处理缺失值以及重命名列(即,获得更好的列名)。当然,当我们使用Pandas和Pyjanitor时,还有更多的数据清理方法可用。u003Cu002Fpu003Eu003Cpu003E总之,此Python包所增加的方法与R包janitor和dplyr中的方法是相似的。在预处理数据时,这些方法将使我们的生活更容易。u003Cu002Fpu003Eu003Cpu003E你最喜欢的数据清理方法和u002F或包是什么?不管你使用的是R、Python或任何其他编程语言。请在下方留言!u003Cu002Fpu003Eu003Cp class=”ql-align-justify”u003Eu003Cbru003Eu003Cu002Fpu003Eu003Cblockquoteu003Eu003Cpu003E英文原文:https:u002Fu002Fwww.marsja.seu002Feasiest-data-cleaning-method-using-python-pandas-pyjanitoru002F u003Cu002Fpu003Eu003Cpu003E译者:野生大熊猫u003Cu002Fpu003Eu003Cu002Fblockquoteu003Eu003Cu002Fdivu003E”

原文始发于:使用Python和Pandas的最简单的数据清理方法

主题测试文章,只做测试使用。发布者:IT资讯科技,转转请注明出处:http://www.cxybcw.com/6027.html

联系我们

13687733322

在线咨询:点击这里给我发消息

邮件:1877088071@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息

QR code