Python數(shù)據(jù)清洗之缺失值處理,重復(fù)項(xiàng)去重與異常值檢測(cè)詳解
更新時(shí)間：2026年05月25日 08:36:23 作者：小莊-Python辦公
本文主要為大家詳細(xì)介紹了Python數(shù)據(jù)清洗中的核心技能,包括缺失值處理、重復(fù)數(shù)據(jù)去重和異常值檢測(cè),文中的示例代碼講解詳細(xì),感興趣的小伙伴可以了解下
本節(jié)學(xué)習(xí)目標(biāo)
- 理解缺失值的類型與成因
- 掌握缺失值的檢測(cè)、填充與刪除方法
- 學(xué)會(huì)識(shí)別和刪除重復(fù)數(shù)據(jù)
- 掌握 IQR（四分位距）法檢測(cè)異常值
- 建立數(shù)據(jù)清洗的標(biāo)準(zhǔn)化流程思維
為什么學(xué)這個(gè)？
在真實(shí)的數(shù)據(jù)分析工作中，有一句著名的格言：“Garbage in, garbage out”（垃圾進(jìn)，垃圾出）。
無論你的模型多高級(jí)、分析多精巧，如果輸入的數(shù)據(jù)質(zhì)量有問題，得出的結(jié)論就一定是錯(cuò)的。
舉個(gè)真實(shí)的例子：某電商公司的數(shù)據(jù)分析師在分析年度銷售額時(shí)，忘記處理缺失值，結(jié)果系統(tǒng)把缺失值（NaN）當(dāng)成了 0 參與計(jì)算，最終報(bào)告顯示年度銷售額比實(shí)際少了 30%。這個(gè)錯(cuò)誤直接導(dǎo)致公司在年末促銷預(yù)算上做出了錯(cuò)誤的決策。
根據(jù)行業(yè)統(tǒng)計(jì)，數(shù)據(jù)科學(xué)家 80% 的時(shí)間都花在數(shù)據(jù)清洗上。掌握數(shù)據(jù)清洗技能，是每一個(gè)數(shù)據(jù)分析師的"基本功"。
數(shù)據(jù)清洗主要解決三大問題：
- 缺失值 —— 數(shù)據(jù)"缺了一塊"
- 重復(fù)值 —— 數(shù)據(jù)"多了一份"
- 異常值 —— 數(shù)據(jù)"出了圈"
核心知識(shí)點(diǎn)講解
缺失值（Missing Values）
1. 缺失值是什么？
在 Pandas 中，缺失值用 NaN（Not a Number）表示，它是 NumPy 定義的一個(gè)特殊浮點(diǎn)值。
常見的缺失值來源：
- 用戶填寫表單時(shí)漏填了某些字段
- 數(shù)據(jù)采集設(shè)備故障導(dǎo)致數(shù)據(jù)丟失
- 數(shù)據(jù)庫遷移過程中數(shù)據(jù)不完整
- 某些測(cè)量根本無法獲?。ㄈ?quot;離職員工的離職后績(jī)效"）
import pandas as pd
import numpy as np
# 創(chuàng)建包含缺失值的數(shù)據(jù)
df = pd.DataFrame({
'姓名': ['張三', '李四', '王五', '趙六', '孫七'],
'年齡': [25, np.nan, 28, 35, np.nan], # np.nan 表示缺失值
'工資': [15000.0, 20000.0, np.nan, 25000.0, 12000.0],
'城市': ['北京', '上海', None, '深圳', '杭州'], # None 也會(huì)被轉(zhuǎn)為 NaN
'部門': ['技術(shù)', '技術(shù)', '銷售', '管理', '技術(shù)']
})
print(df)
# 輸出：
# 姓名 年齡 工資 城市 部門
# 0 張三 25.0 15000.0 北京 技術(shù)
# 1 李四 NaN 20000.0 上海 技術(shù)
# 2 王五 28.0 NaN NaN 銷售
# 3 趙六 35.0 25000.0 深圳 管理
# 4 孫七 NaN 12000.0 杭州 技術(shù)
2. 檢測(cè)缺失值
# ===== isnull() 和 notnull() =====
# 檢測(cè)每個(gè)單元格是否為缺失值（返回布爾 DataFrame）
print(df.isnull())
# 輸出（True 表示缺失）：
# 姓名 年齡 工資 城市 部門
# 0 False False False False False
# 1 False True False False False
# 2 False False True True False
# 3 False False False False False
# 4 False True False False False
# 檢測(cè)非缺失值
print(df.notnull()) # 與 isnull() 相反
# ===== 統(tǒng)計(jì)每列的缺失值數(shù)量（最常用的檢查命令）=====
print(df.isnull().sum())
# 輸出：
# 姓名 0
# 年齡 2
# 工資 1
# 城市 1
# 部門 0
# dtype: int64
# ===== 統(tǒng)計(jì)缺失值占比 =====
missing_pct = df.isnull().mean() * 100
print("缺失值占比：")
print(missing_pct)
# 輸出：
# 姓名 0.0
# 年齡 40.0
# 工資 20.0
# 城市 20.0
# 部門 0.0
# dtype: float64
# ===== 查看哪些行有缺失值 =====
rows_with_na = df[df.isnull().any(axis=1)]
print("有缺失值的行：")
print(rows_with_na)
# ===== 查看完整數(shù)據(jù)（無任何缺失的行）=====
complete_rows = df.dropna()
print("完整數(shù)據(jù)行：")
print(complete_rows)
3. 缺失值處理策略
處理缺失值有兩大類策略：刪除法和填充法。
策略一：刪除法（dropna）
# 創(chuàng)建示例數(shù)據(jù)
df = pd.DataFrame({
'A': [1, 2, np.nan, 4, 5],
'B': [np.nan, 2, 3, np.nan, 5],
'C': [1, 2, 3, 4, 5]
})
# 默認(rèn)：刪除包含任何缺失值的行
print(df.dropna())
# 只保留第 1 行和第 4 行（索引 1 和 4）
# how='all'：只刪除全部為缺失值的行
df2 = pd.DataFrame({
'A': [1, np.nan, np.nan],
'B': [2, np.nan, 3]
})
print(df2.dropna(how='all')) # 不會(huì)刪除任何行
# thresh=N：保留至少有 N 個(gè)非缺失值的行
print(df.dropna(thresh=2)) # 保留至少有 2 個(gè)非缺失值的行
# subset=：只檢查指定列的缺失值
df3 = pd.DataFrame({
'姓名': ['張三', '李四', '王五'],
'年齡': [25, np.nan, 28],
'備注': [np.nan, np.nan, '好學(xué)生']
})
print(df3.dropna(subset=['年齡'])) # 只看"年齡"列，刪除李四
# axis=1：刪除包含缺失值的列（縱向刪除）
print(df.dropna(axis=1)) # 刪除 B 列（因?yàn)樗腥笔е担?
策略二：填充法（fillna）
df = pd.DataFrame({
'姓名': ['張三', '李四', '王五', '趙六', '孫七'],
'年齡': [25, np.nan, 28, np.nan, 22],
'工資': [15000.0, 20000.0, np.nan, 25000.0, np.nan]
})
# ===== 用固定值填充 =====
print(df.fillna(0)) # 所有缺失值填 0
print(df.fillna('未知')) # 所有缺失值填"未知"
# ===== 用統(tǒng)計(jì)值填充 =====
# 用均值填充（數(shù)值列）
df_filled_mean = df.fillna(df.mean(numeric_only=True))
print("均值填充：")
print(df_filled_mean)
# 用中位數(shù)填充（更穩(wěn)健，不受極端值影響）
df_filled_median = df.fillna(df.median(numeric_only=True))
print("\n中位數(shù)填充：")
print(df_filled_median)
# 用眾數(shù)填充（適合分類數(shù)據(jù)）
df_filled_mode = df.fillna(df.mode().iloc[0])
print("\n眾數(shù)填充：")
print(df_filled_mode)
# ===== 前向填充和后向填充 =====
df_time = pd.DataFrame({
'日期': pd.date_range('2024-01-01', periods=5),
'溫度': [20.0, np.nan, np.nan, 25.0, np.nan]
})
# ffill（forward fill）：用前一個(gè)值填充
print(df_time['溫度'].ffill())
# 輸出：[20.0, 20.0, 20.0, 25.0, 25.0]
# bfill（backward fill）：用后一個(gè)值填充
print(df_time['溫度'].bfill())
# 輸出：[20.0, 25.0, 25.0, 25.0, NaN]
# ===== 按列用不同方式填充 =====
fill_values = {'年齡': df['年齡'].median(), '工資': df['工資'].mean()}
df_filled = df.fillna(fill_values)
print("按列不同方式填充：")
print(df_filled)
# ===== inplace=True：原地修改 =====
# df.fillna(0, inplace=True) # 直接修改原 DataFrame
4. 缺失值處理的選擇指南
| 缺失比例 | 建議策略 | 說明 |
|---|---|---|
| < 5% | 直接刪除 | 影響微乎其微 |
| 5% ~ 30% | 填充（均值/中位數(shù)/眾數(shù)/插值） | 保留樣本量 |
| > 30% | 刪除該列或深入研究 | 數(shù)據(jù)可能不可靠 |
重復(fù)值處理
1. 檢測(cè)重復(fù)值
# 創(chuàng)建包含重復(fù)值的數(shù)據(jù)
df = pd.DataFrame({
'訂單號(hào)': ['ORD001', 'ORD002', 'ORD003', 'ORD002', 'ORD004'],
'客戶': ['張三', '李四', '王五', '李四', '趙六'],
'金額': [500, 300, 800, 300, 200]
})
print("原始數(shù)據(jù)：")
print(df)
# 輸出：
# 訂單號(hào) 客戶 金額
# 0 ORD001 張三 500
# 1 ORD002 李四 300
# 2 ORD003 王五 800
# 3 ORD002 李四 300 ← 與第1行完全相同
# 4 ORD004 趙六 200
# ===== duplicated() —— 檢測(cè)重復(fù)行 =====
print(df.duplicated())
# 輸出：[False, False, False, True, False]
# 第 4 行（索引3）被標(biāo)記為 True，因?yàn)樗侵貜?fù)的
# 檢測(cè)哪些列組合是重復(fù)的
print(df.duplicated(subset=['訂單號(hào)']))
# 只看訂單號(hào)列，ORD002 出現(xiàn)兩次，第二次標(biāo)記為 True
# ===== 統(tǒng)計(jì)重復(fù)行數(shù)量 =====
print(f"重復(fù)行數(shù)：{df.duplicated().sum()}") # 1
# ===== 查看所有重復(fù)行 =====
print(df[df.duplicated(keep=False)])
# keep=False 會(huì)標(biāo)記所有重復(fù)的行（而不僅是后面的）
2. 刪除重復(fù)值
# ===== drop_duplicates() —— 刪除重復(fù)行 =====
# 默認(rèn)：刪除完全相同的行，保留第一條
df_clean = df.drop_duplicates()
print("刪除完全重復(fù)的行：")
print(df_clean)
# keep='last'：保留最后一條
df_clean2 = df.drop_duplicates(keep='last')
print("\n保留最后一條：")
print(df_clean2)
# keep=False：刪除所有重復(fù)行（一條都不保留）
df_clean3 = df.drop_duplicates(keep=False)
print("\n全部刪除：")
print(df_clean3)
# subset=：只根據(jù)指定列判斷重復(fù)
df2 = pd.DataFrame({
'訂單號(hào)': ['ORD001', 'ORD002', 'ORD003', 'ORD004'],
'客戶': ['張三', '李四', '張三', '趙六'],
'金額': [500, 300, 600, 200] # 金額不同
})
# 只看"客戶"列去重
df_unique = df2.drop_duplicates(subset=['客戶'])
print("按客戶去重：")
print(df_unique) # 張三只保留第一條
# inplace=True 原地修改
# df.drop_duplicates(inplace=True)
異常值（Outliers）檢測(cè)與處理
1. 什么是異常值？
異常值是指顯著偏離其他觀測(cè)值的數(shù)據(jù)點(diǎn)。
舉例：一個(gè)班級(jí)的學(xué)生年齡大多是 18~22 歲，但有一條記錄是 85 歲。這可能是數(shù)據(jù)錄入錯(cuò)誤（實(shí)際應(yīng)該是 18 歲），也可能是真實(shí)情況（確實(shí)有一位 85 歲的學(xué)生）。
異常值不一定是"錯(cuò)誤數(shù)據(jù)"，但它值得你特別關(guān)注。
2. IQR（四分位距）法檢測(cè)異常值
IQR 法是最常用的異常值檢測(cè)方法，它基于四分位數(shù)。
原理：
- Q1（第一四分位數(shù)）：25% 的數(shù)據(jù)小于此值
- Q3（第三四分位數(shù)）：75% 的數(shù)據(jù)小于此值
- IQR = Q3 - Q1
- 下界 = Q1 - 1.5 × IQR
- 上界 = Q3 + 1.5 × IQR
- 超出上下界的數(shù)據(jù)即為異常值
# 創(chuàng)建示例數(shù)據(jù)
np.random.seed(42)
salaries = np.concatenate([
np.random.normal(15000, 3000, 100), # 正常工資分布
[50000, 60000, -5000] # 異常值
])
df = pd.DataFrame({'工資': salaries})
# ===== IQR 法 =====
Q1 = df['工資'].quantile(0.25)
Q3 = df['工資'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
print(f"Q1 = {Q1:.2f}")
print(f"Q3 = {Q3:.2f}")
print(f"IQR = {IQR:.2f}")
print(f"下界 = {lower_bound:.2f}")
print(f"上界 = {upper_bound:.2f}")
# 找出異常值
outliers = df[(df['工資'] < lower_bound) | (df['工資'] > upper_bound)]
print(f"\n異常值數(shù)量：{len(outliers)}")
print("異常值：")
print(outliers)
# ===== 處理異常值 =====
# 方法一：刪除異常值
df_clean = df[(df['工資'] >= lower_bound) & (df['工資'] <= upper_bound)]
print(f"刪除后數(shù)據(jù)量：{len(df_clean)}")
# 方法二：用邊界值替換（Winsorization/蓋帽法）
df_capped = df.copy()
df_capped.loc[df_capped['工資'] > upper_bound, '工資'] = upper_bound
df_capped.loc[df_capped['工資'] < lower_bound, '工資'] = lower_bound
print(f"蓋帽后最大值：{df_capped['工資'].max():.2f}")
print(f"蓋帽后最小值：{df_capped['工資'].min():.2f}")
# 方法三：用中位數(shù)替換
df_median = df.copy()
df_median.loc[
(df_median['工資'] < lower_bound) | (df_median['工資'] > upper_bound),
'工資'
] = df_median['工資'].median()
3. Z-Score 法（標(biāo)準(zhǔn)差法）
Z-Score 法適用于近似正態(tài)分布的數(shù)據(jù)。
# Z-Score = (x - 均值) / 標(biāo)準(zhǔn)差
# |Z| > 3 的數(shù)據(jù)通常被視為異常值
from scipy import stats
# 計(jì)算 Z-Score
z_scores = np.abs(stats.zscore(df['工資']))
# 找出異常值
outlier_mask = z_scores > 3
outliers_z = df[outlier_mask]
print(f"Z-Score 法檢測(cè)到的異常值：{len(outliers_z)} 個(gè)")
print(outliers_z)
4. 異常值可視化（箱線圖）
import matplotlib.pyplot as plt
# 箱線圖是觀察異常值最直觀的方式
plt.figure(figsize=(8, 6))
df['工資'].plot(kind='box')
plt.title('工資分布箱線圖')
plt.ylabel('工資')
plt.grid(True, alpha=0.3)
plt.show()
# 箱線圖中，超出"須線"的點(diǎn)就是潛在的異常值
數(shù)據(jù)清洗的標(biāo)準(zhǔn)化流程
在實(shí)際工作中，建議按照以下流程進(jìn)行數(shù)據(jù)清洗：
def data_cleaning_pipeline(df):
"""
標(biāo)準(zhǔn)數(shù)據(jù)清洗流程
"""
print("=" * 50)
print("數(shù)據(jù)清洗報(bào)告")
print("=" * 50)
# 第1步：查看數(shù)據(jù)概況
print(f"\n1. 數(shù)據(jù)形狀：{df.shape}")
print(f" 列名：{list(df.columns)}")
# 第2步：檢查缺失值
missing = df.isnull().sum()
missing_pct = (missing / len(df)) * 100
missing_summary = pd.DataFrame({
'缺失數(shù)量': missing,
'缺失比例(%)': missing_pct.round(2)
})
print("\n2. 缺失值統(tǒng)計(jì)：")
print(missing_summary[missing_summary['缺失數(shù)量'] > 0])
# 第3步：檢查重復(fù)值
dup_count = df.duplicated().sum()
print(f"\n3. 重復(fù)行數(shù)：{dup_count}")
# 第4步：數(shù)值列基本統(tǒng)計(jì)
print("\n4. 數(shù)值列統(tǒng)計(jì)摘要：")
print(df.describe())
# 第5步：數(shù)據(jù)類型
print("\n5. 數(shù)據(jù)類型：")
print(df.dtypes)
print("\n" + "=" * 50)
print("檢查完成，請(qǐng)根據(jù)報(bào)告決定清洗策略")
print("=" * 50)
return df
# 使用示例
df = pd.DataFrame({
'姓名': ['張三', '李四', '王五', '趙六', '孫七', '張三'], # 張三重復(fù)
'年齡': [25, np.nan, 28, 35, np.nan, 25],
'工資': [15000.0, 20000.0, np.nan, 25000.0, 12000.0, 15000.0],
'部門': ['技術(shù)', '技術(shù)', '銷售', '管理', '技術(shù)', '技術(shù)']
})
data_cleaning_pipeline(df)
實(shí)戰(zhàn)練習(xí)
練習(xí) 1：缺失值處理實(shí)戰(zhàn)
題目：處理以下包含缺失值的學(xué)生成績(jī)數(shù)據(jù)。
# 參考答案
import pandas as pd
import numpy as np
df = pd.DataFrame({
'學(xué)號(hào)': [1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008, 1009, 1010],
'姓名': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
'語文': [85, np.nan, 78, 92, np.nan, 88, 76, np.nan, 91, 84],
'數(shù)學(xué)': [90, 85, np.nan, 88, 92, np.nan, 78, 95, np.nan, 86],
'英語': [78, 92, 85, np.nan, 88, 76, np.nan, 82, 95, np.nan]
})
# 1. 檢查缺失值
print("缺失值統(tǒng)計(jì)：")
print(df.isnull().sum())
# 2. 各科用中位數(shù)填充
for col in ['語文', '數(shù)學(xué)', '英語']:
df[col] = df[col].fillna(df[col].median())
print("\n填充后數(shù)據(jù)：")
print(df)
# 3. 驗(yàn)證填充結(jié)果
print("\n驗(yàn)證：還有缺失值嗎？", df.isnull().sum().sum() == 0)
練習(xí) 2：去重與異常值檢測(cè)
題目：以下是一份電商交易數(shù)據(jù)，包含重復(fù)記錄和異常價(jià)格。
# 參考答案
import pandas as pd
import numpy as np
df = pd.DataFrame({
'訂單號(hào)': ['A001', 'A002', 'A003', 'A002', 'A004', 'A005', 'A005', 'A006'],
'商品': ['手機(jī)', '電腦', '平板', '電腦', '耳機(jī)', '手表', '手表', '充電器'],
'價(jià)格': [3999, 5999, 2999, 5999, 299, 15000, 15000, -50],
'數(shù)量': [1, 1, 2, 1, 3, 1, 1, 5]
})
# 1. 去除完全重復(fù)的行
print("原始行數(shù)：", len(df))
df_clean = df.drop_duplicates()
print("去重后行數(shù)：", len(df_clean))
# 2. 檢測(cè)異常價(jià)格
Q1 = df_clean['價(jià)格'].quantile(0.25)
Q3 = df_clean['價(jià)格'].quantile(0.75)
IQR = Q3 - Q1
lower = Q1 - 1.5 * IQR
upper = Q3 + 1.5 * IQR
print(f"\n價(jià)格正常范圍：[{lower:.0f}, {upper:.0f}]")
abnormal = df_clean[(df_clean['價(jià)格'] < lower) | (df_clean['價(jià)格'] > upper)]
print("異常價(jià)格記錄：")
print(abnormal)
# 3. 修正異常值：負(fù)價(jià)格改為絕對(duì)值，過高價(jià)格用中位數(shù)替換
df_clean = df_clean.copy()
df_clean.loc[df_clean['價(jià)格'] < 0, '價(jià)格'] = df_clean.loc[df_clean['價(jià)格'] < 0, '價(jià)格'].abs()
median_price = df_clean['價(jià)格'].median()
df_clean.loc[
(df_clean['價(jià)格'] < lower) | (df_clean['價(jià)格'] > upper),
'價(jià)格'
] = median_price
print("\n修正后數(shù)據(jù)：")
print(df_clean)
練習(xí) 3：完整清洗流程
題目：對(duì)以下"臟"數(shù)據(jù)進(jìn)行完整清洗。
# 參考答案
import pandas as pd
import numpy as np
# 模擬臟數(shù)據(jù)
df = pd.DataFrame({
'ID': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 2], # ID=2 重復(fù)
'年齡': [25, 30, 28, 150, 22, np.nan, 35, 27, -5, 29, 30], # 150和-5是異常值
'收入': [5000, 8000, np.nan, 12000, 6000, 7000, np.nan, 9000, 5500, 7500, 8000],
'性別': ['男', '女', '男', '女', 'M', '男', '女', np.nan, '男', '女', '女'],
'城市': ['北京', '上海', '北京', '深圳', '上海', np.nan, '上海', '北京', '深圳', '上海', '上海']
})
print("=== 清洗前 ===")
print(f"數(shù)據(jù)量：{df.shape}")
print(df.describe())
# 第1步：去重
df = df.drop_duplicates()
# 第2步：處理年齡異常值
df = df[(df['年齡'] > 0) & (df['年齡'] < 100)]
# 第3步：收入填充中位數(shù)
df['收入'] = df['收入'].fillna(df['收入'].median())
# 第4步：年齡填充中位數(shù)
df['年齡'] = df['年齡'].fillna(df['年齡'].median())
# 第5步：性別標(biāo)準(zhǔn)化
df['性別'] = df['性別'].replace({'M': '男'})
df['性別'] = df['性別'].fillna('未知')
# 第6步：城市填充眾數(shù)
df['城市'] = df['城市'].fillna(df['城市'].mode()[0])
print("\n=== 清洗后 ===")
print(f"數(shù)據(jù)量：{df.shape}")
print(df)
print("\n缺失值：", df.isnull().sum().sum())
本節(jié)總結(jié)
本節(jié)我們學(xué)習(xí)了數(shù)據(jù)清洗的三大核心任務(wù)：
缺失值處理：
- 檢測(cè)方法：
isnull()、isnull().sum() - 刪除：
dropna()（注意how、thresh、subset參數(shù)） - 填充：
fillna()（均值/中位數(shù)/眾數(shù)/前向/后向填充）
重復(fù)值處理：
- 檢測(cè)：
duplicated() - 刪除：
drop_duplicates()（注意keep、subset參數(shù)）
異常值檢測(cè)：
- IQR 法：基于四分位距，適用范圍廣
- Z-Score 法：基于標(biāo)準(zhǔn)差，適合正態(tài)分布
- 處理方式：刪除、蓋帽法（Winsorization）、中位數(shù)替換
到此這篇關(guān)于Python數(shù)據(jù)清洗之缺失值處理,重復(fù)項(xiàng)去重與異常值檢測(cè)詳解的文章就介紹到這了,更多相關(guān)Python數(shù)據(jù)清洗內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:
- Python數(shù)據(jù)自動(dòng)化處理之?dāng)?shù)據(jù)清洗和報(bào)表生成詳解
- Python數(shù)據(jù)清洗的四大核心操作(去重/標(biāo)準(zhǔn)化/歸一化/編碼)實(shí)戰(zhàn)指南
- Python批量清洗Excel數(shù)據(jù)的操作指南(去重+補(bǔ)缺失值+可視化)
- 使用Python實(shí)現(xiàn)處理和清洗CSV格式的數(shù)據(jù)文件
- Python數(shù)據(jù)分析必備的12種數(shù)據(jù)清洗技術(shù)分享
- Python中數(shù)據(jù)清洗與預(yù)處理技巧分享
- 使用Python處理Excel文件的全面指南(從讀取到數(shù)據(jù)清洗)
- Python數(shù)據(jù)分析與可視化的全面指南(從數(shù)據(jù)清洗到圖表呈現(xiàn))
相關(guān)文章
在本篇文章里小編給大家整理的是一篇關(guān)于python打開音樂文件的實(shí)例方法，有需要的朋友們學(xué)習(xí)參考下。2020-07-07
本文給大家介紹的是在Python中安裝和使用redis數(shù)據(jù)庫的方法以及簡(jiǎn)單示例，有需要的小伙伴可以參考下2016-12-12
這篇文章主要介紹了Python如何拆分含有多種分隔符的字符串問題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02
Python條件語句是通過一條或多條語句的執(zhí)行結(jié)果（True或者False）來決定執(zhí)行的代碼塊,下面這篇文章主要給大家介紹了關(guān)于Python基礎(chǔ)入門之if判斷語句的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),需要的朋友可以參考下2021-09-09
Python實(shí)現(xiàn)在一行中交換兩個(gè)變量
這篇文章主要為大家詳細(xì)介紹了如何利用Python語言實(shí)現(xiàn)在一行中交換兩個(gè)變量功能，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以了解一下2022-08-08
最近想爬取淘寶的一些商品，但是發(fā)現(xiàn)如果要使用搜索等一些功能時(shí)基本都需要登錄，所以就想出一篇模擬登錄淘寶的文章！本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2021-08-08
Python?虛擬環(huán)境的價(jià)值和常用命令詳解
在實(shí)際項(xiàng)目開發(fā)中，我們通常會(huì)根據(jù)自己的需求去下載各種相應(yīng)的框架庫，如Scrapy、Beautiful?Soup等，但是可能每個(gè)項(xiàng)目使用的框架庫并不一樣，或使用框架的版本不一樣，今天給大家分享下Python?虛擬環(huán)境的價(jià)值和常用命令，感興趣的朋友一起看看吧2022-05-05
解決python報(bào)錯(cuò)MemoryError的問題
今天小編就為大家分享一篇解決python報(bào)錯(cuò)MemoryError的問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-06-06
本文簡(jiǎn)單講解了PYTHON的閉包，作用域的基本知識(shí)配合實(shí)例簡(jiǎn)單明了，適合初學(xué)者2018-03-03
python標(biāo)準(zhǔn)算法實(shí)現(xiàn)數(shù)組全排列的方法
這篇文章主要介紹了python標(biāo)準(zhǔn)算法實(shí)現(xiàn)數(shù)組全排列的方法,實(shí)例分析了全排列的原理與Python實(shí)現(xiàn)技巧,需要的朋友可以參考下2015-03-03