当我们在对大量的数据进行清理或者是转换的时候，难免会操作数据的缺失或者是有重复的值出现，又或者是出现异常的情况，难免面对这些问题该如何解决呢，下面带大家一起学习关于“Python数据预处理有哪几种情况？Python常见的数据预处理方法”的文章。
Python数据预处理，可以分成以下三种情况：
1、缺失数据的处理
在处理大量的数据的时候，导入数据时有些数据缺失了是一种经常发生的事情，最简单的操作方法就是将缺失的那一块数据删除，删除的是缺失数据的数据行，需要使用到的是pandas 中的.dropna()方法，不仅可删除存在着缺失值的行列，还可以对指定的列进缺失值的处理。举个例子：
dfNew = dfData.dropna(axis = 0))
这一段代码是对含有缺失值的行进行清除。
2、重复数据的处理
当数据中出现了一些重复的数据使，也可以采用删除重复行的操作，将一些多余的数据清除了，实现的方法是，首先对数据进行查看，找到有哪些重复的数据内容，采用的方式是pandas中的.duplicated()方法，然后再对这些重复发数据进行删除时，使用的方法是.drop_duplicated()，当然也可以对指定的数据列去重。举个例子：
dfNew = dfData.drop_duplicates(inplace=True) 删除重复的数据行
3、异常值处理
异常的值出现，就表示一个样本中的数值和之前的需要的数值存在着一定的偏差，想要对异常值进行识别的话，我们可以通过两种图来进行操作，分别是：箱线图、正态分布图，还有其他的方式可以识别这里主要说的是箱线图技术，它可以查看整体的异常情况，进而发现异常值。绘制箱型图的方法如下：
dfData.boxplot() # 绘制箱形图
有关“Python数据预处理有哪几种情况？Python常见的数据预处理方法”的文章就分享到这里了，如果还想学习其他的Python知识，可以继续关注了解哦。
更多python相关文章请访问分类：python
【版权声明】本文图文出自大盘站@dapan.cc，转载请注明出处！
