机器学习：数据清洗与预处理 | Python

个人主页-爱因斯晨

文章专栏-Python学习

前言

我们不论在学习机器学习还是数据分析中，都会涉及很多数据。但原数据不可避免有很多杂志，为了确保结果的准确性，我们需要首先进行数据清洗和预处理。

了解数据清洗

数据清洗就像是一场数据的“大扫除”。它是从原始数据中找出并修正那些错误、不完整、重复或不一致的数据。通过数据清洗，能显著提升数据质量，为后续数据分析、挖掘和建模等工作提供准确、可靠、干净的数据基础，从而让基于数据得出的结论更具可信度和价值。

数据清洗的步骤

1. 环境准备与库导入

import pandas as pd  # 数据处理核心库
import numpy as np   # 数值计算库
import matplotlib.pyplot as plt  # 基础可视化库
import seaborn as sns  # 高级可视化库

# 设置显示参数，确保中文正常显示
plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"]
pd.set_option('display.max_columns', None)  # 显示所有列
pd.set_option('display.width', 1000)        # 显示宽度

函数 / 参数解释：

• import pandas as pd：导入 pandas 库并简写为 pd。pandas 是数据处理的核心工具，提供了 DataFrame 数据结构和丰富的数据操作方法。
• plt.rcParams：设置 matplotlib 的全局参数，这里用于配置中文字体，避免图表中中文显示为乱码。
• pd.set_option：配置 pandas 的显示选项，确保查看数据时不会截断列或内容。

2. 数据加载

# 从CSV文件加载数据
df = pd.read_csv('data.csv')

# 从Excel文件加载数据（支持多工作表）
excel_file = pd.ExcelFile('data.xlsx')
df = excel_file.parse('Sheet1')  # 读取名为Sheet1的工作表

# 查看数据规模
print(f"数据集规模：{df.shape[0]}行，{df.shape[1]}列")

函数解释：

• pd.read_csv()：读取 CSV 文件并返回 DataFrame 对象。
  • 常用参数：sep（分隔符，默认逗号）、header（表头行索引，默认 0）、na_values（指定缺失值标识）、usecols（指定读取的列）
  • 示例：pd.read_csv('data.csv', sep=';', na_values=['NA', 'missing'])
• pd.ExcelFile() 与 parse()：
  • pd.ExcelFile()：创建 Excel 文件对象，用于高效读取包含多个工作表的 Excel 文件
  • parse()：从 ExcelFile 对象中读取指定工作表，参数sheet_name指定工作表名称或索引

3. 数据初探与理解

# 查看数据基本信息
print("数据基本信息：")
df.info()

# 查看前5行数据
print("\n数据前5行：")
print(df.head())

# 查看数值型列的统计描述
print("\n数值型列统计描述：")
print(df.describe())

# 查看类别型列的取值分布
print("\n类别型列取值分布：")
for col in df.select_dtypes(include=['object', 'category']).columns:
    print(f"\n{col}列分布：")
    print(df[col].value_counts())

函数解释：

• info()：查看 DataFrame 的基本信息，包括索引类型、列信息、数据类型、非空值数量和内存占用。
• head(n)：返回前 n 行数据（默认 n=5），用于快速预览数据内容。对应的tail(n)返回后 n 行。
• describe()：生成数值型列的统计摘要，包括计数、均值、标准差、最值和四分位数。
• select_dtypes(include=[])：筛选指定数据类型的列，include=['object', 'category']用于筛选类别型列。
• value_counts()：计算类别型列中每个取值的出现次数，用于了解数据分布。

4. 缺失值处理

# 1. 检测缺失值
missing_count = df.isnull().sum()  # 计算每列缺失值数量
missing_ratio = missing_count / len(df)  # 计算缺失比例
missing_df = pd.DataFrame({
    '缺失值数量': missing_count,
    '缺失比例': missing_ratio
})
print("缺失值统计：")
print(missing_df[missing_df['缺失值数量'] > 0])  # 只显示有缺失值的列

# 2. 处理缺失值
# 方法1：删除缺失值（适用于缺失比例极低的情况）
df_drop = df.dropna(axis=0)  # 按行删除，axis=1按列删除

# 方法2：填充缺失值
# 数值型列用均值/中位数填充
df['数值列1'] = df['数值列1'].fillna(df['数值列1'].mean())  # 均值填充
df['数值列2'] = df['数值列2'].fillna(df['数值列2'].median())  # 中位数填充

# 类别型列用众数填充
df['类别列1'] = df['类别列1'].fillna(df['类别列1'].mode()[0])  # 众数填充

# 方法3：用前后值填充（适用于时间序列）
df['时间序列列'] = df['时间序列列'].fillna(method='ffill')  # 向前填充
# df['时间序列列'] = df['时间序列列'].fillna(method='bfill')  # 向后填充

函数解释：

• isnull()：返回布尔型 DataFrame，标记每个元素是否为缺失值（NaN）。
• sum()：对isnull()的结果求和，得到每列缺失值数量。
• dropna(axis=0)：删除包含缺失值的行（axis=0）或列（axis=1）。
  • 常用参数：how='any'（默认，任何缺失值即删除）、how='all'（所有值都缺失才删除）
• fillna()：填充缺失值，支持固定值、统计量（均值 / 中位数 / 众数）和前后值填充。

5. 重复值处理

# 1. 检测重复行
duplicate_rows = df.duplicated()  # 返回布尔型Series，标记是否为重复行
print(f"重复行数量：{duplicate_rows.sum()}")

# 2. 查看重复行内容
if duplicate_rows.sum() > 0:
    print("重复行内容：")
    print(df[duplicate_rows])

# 3. 删除重复行
df_clean = df.drop_duplicates(keep='first')  # 保留第一次出现的行
# df_clean = df.drop_duplicates(keep='last')  # 保留最后一次出现的行
# df_clean = df.drop_duplicates(keep=False)   # 删除所有重复行

print(f"删除重复行后：{df_clean.shape[0]}行")

函数解释：

• duplicated()：检测重复行，返回布尔型 Series。
  • 参数subset=['col1', 'col2']：指定用于判断重复的列
  • 默认保留第一次出现的行，标记后续重复行为 True
• drop_duplicates()：删除重复行，参数keep控制保留策略：
  • keep='first'：保留第一次出现的行（默认）
  • keep='last'：保留最后一次出现的行
  • keep=False：删除所有重复行

6. 异常值处理

# 1. 绘制箱线图可视化异常值
plt.figure(figsize=(12, 6))
sns.boxplot(data=df.select_dtypes(include=np.number))  # 只对数值列绘图
plt.title('数值列箱线图（用于检测异常值）')
plt.tight_layout()
plt.show()

# 2. 使用IQR方法检测异常值
def detect_outliers(df, col):
    """检测指定列的异常值"""
    Q1 = df[col].quantile(0.25)  # 下四分位数
    Q3 = df[col].quantile(0.75)  # 上四分位数
    IQR = Q3 - Q1  # 四分位距
    lower_bound = Q1 - 1.5 * IQR  # 下界
    upper_bound = Q3 + 1.5 * IQR  # 上界
    outliers = df[(df[col] < lower_bound) | (df[col] > upper_bound)]
    return outliers, lower_bound, upper_bound

# 处理每个数值列的异常值
for col in df.select_dtypes(include=np.number).columns:
    outliers, lower, upper = detect_outliers(df, col)
    if not outliers.empty:
        print(f"{col}列异常值数量：{len(outliers)}")
        
        # 方法1：删除异常值
        # df = df.drop(outliers.index)
        
        # 方法2：截断异常值（替换为边界值）
        df.loc[df[col] < lower, col] = lower
        df.loc[df[col] > upper, col] = upper

函数解释：

• sns.boxplot()：绘制箱线图，直观展示数据分布和异常值。箱线图中，超出上下须线（Q1-1.5IQR 和 Q3+1.5IQR）的点被视为异常值。
• quantile(q)：计算分位数，q=0.25 表示下四分位数（Q1），q=0.75 表示上四分位数（Q3）。
• 异常值处理策略：删除（适用于错误数据）、截断（替换为边界值）、转换（如对数转换）。

7. 数据类型转换

# 查看当前数据类型
print("原始数据类型：")
print(df.dtypes)

# 1. 转换为数值类型（处理字符串格式的数值）
df['数值列'] = pd.to_numeric(df['数值列'], errors='coerce')  # 无法转换的值变为NaN

# 2. 转换为日期类型
df['日期列'] = pd.to_datetime(df['日期列'], format='%Y-%m-%d')  # 指定格式加速转换

# 3. 转换为类别类型（适用于取值有限的字符串列）
df['类别列'] = df['类别列'].astype('category')

# 查看转换后的数据类型
print("\n转换后数据类型：")
print(df.dtypes)

函数解释：

• dtypes：查看各列的数据类型。
• pd.to_numeric()：将列转换为数值类型，errors='coerce'参数将无法转换的值设为 NaN。
• pd.to_datetime()：将列转换为日期时间类型，format参数指定日期格式。
• astype('category')：将字符串列转换为类别类型，减少内存占用并提高效率。

8. 数据标准化 / 归一化（预处理）

# 1. 标准化（Z-score标准化，使均值为0，标准差为1）
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
numeric_cols = df.select_dtypes(include=np.number).columns
df[numeric_cols] = scaler.fit_transform(df[numeric_cols])

# 2. 归一化（Min-Max归一化，将值缩放到[0,1]范围）
from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
df[numeric_cols] = scaler.fit_transform(df[numeric_cols])

# 查看处理后的统计描述
print("标准化/归一化后统计描述：")
print(df[numeric_cols].describe())

函数解释：

• StandardScaler()：Z-score 标准化，公式为：(x’ = (x - \mu) / \sigma)，其中(\mu)是均值，(\sigma)是标准差。适用于数据近似正态分布的情况。
• MinMaxScaler()：Min-Max 归一化，将值缩放到 [0,1] 范围，公式为：(x’ = (x - \min) / (\max - \min))。适用于需要将数据限制在特定范围的场景。

实例实践

以鸢尾花数据集为例

原数据集：在资源绑定中

#导入库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

#设置显示选项
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)

# 使用原始字符串处理文件路径
excel_file = r'C:\Users\einsc\PycharmProjects\PythonProject\.venv\share\yuan\iris_dataset.xlsx'

#获取表名
sheet_names = pd.ExcelFile(excel_file).sheet_names
print(sheet_names)

#读取数据
df = pd.ExcelFile(excel_file).parse('Sheet1')

print("数据基本信息")
df.info()
rows, columns = df.shape
print(f"数据的行数: {rows}")
print(f"数据的列数: {columns}")
print("数据的前几行")
print(df.head())

# 处理缺失值
print("缺失值统计：")
print(df.isnull().sum())
# 若存在缺失值，这里选择用列均值填充数值型列，用众数填充类别型列
for col in df.columns:
    if df[col].dtype == 'object':
        df[col] = df[col].fillna(df[col].mode()[0])
    else:
        df[col] = df[col].fillna(df[col].mean())

# 处理重复值
print("重复值数量：", df.duplicated().sum())
# 删除重复值
df = df.drop_duplicates()

# 处理异常值（使用 IQR 方法）
numerical_columns = df.select_dtypes(include=[np.number]).columns
for col in numerical_columns:
    Q1 = df[col].quantile(0.25)
    Q3 = df[col].quantile(0.75)
    IQR = Q3 - Q1
    lower_bound = Q1 - 1.5 * IQR
    upper_bound = Q3 + 1.5 * IQR
    df = df[(df[col] >= lower_bound) & (df[col] <= upper_bound)]

# 重置索引
df = df.reset_index(drop=True)

print("清洗后数据基本信息")
df.info()
print("清洗后数据行数: ", df.shape[0])
print("清洗后数据列数: ", df.shape[1])

# 定义保存路径
output_file = r'C:\Users\einsc\PycharmProjects\PythonProject\.venv\share\yuan\iris_dataset_cleaned.xlsx'
# 将清洗后的数据保存到新的 Excel 文件
df.to_excel(output_file, index=False, sheet_name='CleanedData')
print(f"清洗后的数据已保存到 {output_file}")
print("数据的前几行")

处理结果：

总结

本文聚焦机器学习中的数据清洗与预处理。先阐述其重要性，如同为数据“大扫除”，能提升数据质量、保障结论可靠。接着分八个步骤详细讲解，从环境准备与库导入，到数据加载、初探，再到缺失值、重复值、异常值处理，以及数据类型转换和标准化/归一化，每个步骤都有代码示例和函数解释。最后以鸢尾花数据集为例实践，经各环节处理后保存清洗数据。整体内容系统全面，理论与实践结合，助读者掌握数据清洗与预处理的关键要点和操作。