Pandas - 修复错误数据

数据错误

"Wrong data" 不一定是 "empty cells" 或 "wrong format"，它可能只是错误的，就像有人注册了 "199" 而不是 "1.99"。

有时，您可以通过查看数据集来发现错误的数据，因为您对它应该是什么有一个期望。

如果您查看我们的数据集，您可以看到在第 7 行中，持续时间为 450，但对于所有其他行，持续时间在 30 到 60 之间。

这不一定是错误的，但考虑到这是某人锻炼课程的数据集，我们得出的结论是，这个人在 450 分钟内没有锻炼。


      Duration          Date  Pulse  Maxpulse  Calories
  0         60  '2020/12/01'    110       130     409.1
  1         60  '2020/12/02'    117       145     479.0
  2         60  '2020/12/03'    103       135     340.0
  3         45  '2020/12/04'    109       175     282.4
  4         45  '2020/12/05'    117       148     406.0
  5         60  '2020/12/06'    102       127     300.0
  6         60  '2020/12/07'    110       136     374.0
  7        450  '2020/12/08'    104       134     253.3
  8         30  '2020/12/09'    109       133     195.1
  9         60  '2020/12/10'     98       124     269.0
  10        60  '2020/12/11'    103       147     329.3
  11        60  '2020/12/12'    100       120     250.7
  12        60  '2020/12/12'    100       120     250.7
  13        60  '2020/12/13'    106       128     345.3
  14        60  '2020/12/14'    104       132     379.3
  15        60  '2020/12/15'     98       123     275.0
  16        60  '2020/12/16'     98       120     215.2
  17        60  '2020/12/17'    100       120     300.0
  18        45  '2020/12/18'     90       112       NaN
  19        60  '2020/12/19'    103       123     323.0
  20        45  '2020/12/20'     97       125     243.0
  21        60  '2020/12/21'    108       131     364.2
  22        45           NaN    100       119     282.0
  23        60  '2020/12/23'    130       101     300.0
  24        45  '2020/12/24'    105       132     246.0
  25        60  '2020/12/25'    102       126     334.5
  26        60      20201226    100       120     250.0
  27        60  '2020/12/27'     92       118     241.0
  28        60  '2020/12/28'    103       132       NaN
  29        60  '2020/12/29'    100       132     280.0
  30        60  '2020/12/30'    102       129     380.3
  31        60  '2020/12/31'     92       115     243.0

我们如何修复错误的值，例如第 7 行中"Duration" 的值？

替换值

修复错误值的一种方法是用其他值替换它们。

在我们的示例中，这很可能是一个拼写错误，值应该是 "45" 而不是 "450"，我们可以在第 7 行插入 "45"：

示例

在第 7 行设置"Duration" = 45：

df.loc[7, 'Duration'] = 45

亲自试一试 »

对于小数据集，您可能能够将错误的数据一一替换，但对于大数据集则不行。

要替换较大数据集的错误数据，您可以创建一些规则，例如为合法值设置一些边界，并替换边界之外的任何值。

示例

循环遍历 "Duration" 列中的所有值。

如果该值大于 120，则将其设置为 120：

for x in df.index:
if df.loc[x, "Duration"] > 120:
df.loc[x, "Duration"] = 120

亲自试一试 »

删除行

处理错误数据的另一种方法是删除包含错误数据的行。

这样您就不必找出用什么来替换它们，而且您很可能不需要它们来进行分析。

示例

删除 "Duration" 大于 120 的行：

for x in df.index:
if df.loc[x, "Duration"] > 120:
df.drop(x, inplace = True)

亲自试一试 »