你是否曾经拿到一个 Excel 表格，打开后却发现：有的单元格是空的，有的日期格式乱七八糟，同一列里数字还带着美元符号，甚至好几行数据完全重复？如果直接拿这样的数据去做分析或建模，结果很可能是一团糟。数据清洗，就是把这些“脏数据”变成干净、规范的数据集的过程。在 Python 中，pandas 和 numpy 是处理这类问题的利器。本文将从零开始，带你一步步学会用 pandas 清洗常见的数据问题，并最终封装成一个可复用的自动化函数。常见的数据脏乱问题
在开始动手之前，我们先来认识一下最常见的三类数据问题：
- 缺失值：数据集中某些字段为空（NaN）。比如用户的年龄没填、订单金额缺失。
- 重复值：完全相同的记录出现多次。可能是系统重复录入，或者合并数据时产生的冗余。
- 格式不一致：同一字段的数据表示方式五花八门。例如日期有的写
2023-01-01，有的写 01/02/2023；金额有的带 $，有的不带；分类标签大小写混用。
如果不处理这些问题，后续的分析结果会严重失真。而 pandas 提供了非常直观的方法来解决它们。
工具简介：pandas 与 numpy
- pandas：提供了 DataFrame 和 Series 结构，内置了
dropna、fillna、drop_duplicates、replace、str 访问器等大量数据清洗方法。 - numpy：提供底层的数值运算，常用来标记缺失值（
np.nan）和进行数值转换。
两者结合，可以高效地完成大部分清洗任务。
实战：从混乱到干净
为了让你看得更清楚，我们先构造一个包含上述所有问题的模拟数据集，然后逐步清洗它。
1. 构造含问题数据
import pandas as pdimport numpy as npdata = { 'ID': [1, 2, 2, 3, 4, 5, 5, 6], 'Name': ['Alice', 'Bob', 'Bob', 'Charlie', 'David', 'Eve', 'Eve', 'Frank'], 'Date': ['2023-01-01', '01/02/2023', '01/02/2023', '2023-03-01', '03-04-2023', '2023/05/01', '2023/05/01', '2023-06-01'], 'Amount': ['$100', '200', '200', np.nan, '$400', '500', '500', '600'], 'Category': ['A', 'b', 'B', 'c', 'C', 'D', 'd', 'E']}df = pd.DataFrame(data)print(”原始数据：”)print(df)
输出：
ID Name Date Amount Category0 1 Alice 2023-01-01 $100 A1 2 Bob 01/02/2023 200 b2 2 Bob 01/02/2023 200 B3 3 Charlie 2023-03-01 NaN c4 4 David 03-04-2023 $400 C5 5 Eve 2023/05/01 500 D6 5 Eve 2023/05/01 500 d7 6 Frank 2023-06-01 600 E
一眼就能看出问题：
- 重复值：ID 为 2 和 5 的记录出现了两次（虽然 Category 大小写不同，但其他字段相同）。
- 格式不一致：Date 列使用了
-、/、. 等多种分隔符，顺序也不统一；Amount 列有的带 $ 符号；Category 列大小写混杂。
2. 处理缺失值
缺失值处理通常有两种策略：删除（如果缺失比例太高）或填充。对于数值型字段，常用中位数或均值填充；对于分类型字段，常用众数填充或标记为“Unknown”。
本例中，Amount 应该是数值，所以我们先去掉 $ 符号，转换成数值，然后用中位数填充缺失值。
# 去除 $ 符号并转换为数值df['Amount'] = df['Amount'].str.replace('$', '', regex=False)df['Amount'] = pd.to_numeric(df['Amount'], errors='coerce')# 用中位数填充缺失值median_amount = df['Amount'].median()df['Amount'].fillna(median_amount, inplace=True)print(”缺失值处理后：”)print(df[['ID', 'Amount']])
输出：
ID Amount0 1 100.01 2 200.02 2 200.03 3 350.0# 中位数填充4 4 400.05 5 500.06 5 500.07 6 600.0
小提示：pd.to_numeric 的 errors='coerce' 参数会将无法转换的值变成 NaN，非常安全。
3. 处理重复值
完全重复的行通常只保留第一条。但要注意，这里的重复行中 Category 大小写不同，所以并不是“完全重复”。如果我们想基于 ID 来判断重复，可以用 subset 参数。这里我们先保留所有行，后面统一大小写后再去重会更合理。
不过为了演示 drop_duplicates 的效果，我们先看看重复记录：
duplicates = df[df.duplicated(keep=False)]print(”重复记录（所有列完全一致）：”)print(duplicates)
输出：
ID Name Date Amount Category1 2 Bob 01/02/2023 200.0 b2 2 Bob 01/02/2023 200.0 B5 5 Eve 2023/05/01 500.0 D6 5 Eve 2023/05/01 500.0 d
可以看到，ID=2 的两行因为 Category 不同（b vs B），并没有被标记为完全重复；ID=5 同理。如果我们现在用 drop_duplicates()，它们不会被删除。我们会在后面统一大小写后再处理重复。
4. 处理格式不一致
日期格式混乱是家常便饭。我们可以写一个简单的解析函数，尝试多种常见格式，最后统一输出为 YYYY-MM-DD。
def parse_date(date_str): for fmt in ('%Y-%m-%d', '%m/%d/%Y', '%d-%m-%Y', '%Y/%m/%d'): try: return pd.to_datetime(date_str, format=fmt) except: continue return pd.NaTdf['Date'] = df['Date'].apply(parse_date)df['Date'] = df['Date'].dt.strftime('%Y-%m-%d')print(”日期统一后：”)print(df[['ID', 'Date']])
输出：
ID Date0 1 2023-01-011 2 2023-01-022 2 2023-01-023 3 2023-03-014 4 2023-04-035 5 2023-05-016 5 2023-05-017 6 2023-06-01
所有日期都变成了标准格式，非常清爽。
Category 列应该统一为大写（或小写），这样后续分组统计才不会出错。
df['Category'] = df['Category'].str.upper()print(”Category 统一后：”)print(df[['ID', 'Category']])
输出：
ID Category0 1 A1 2 B2 2 B3 3 C4 4 C5 5 D6 5 D7 6 E
现在，ID=2 的两行 Category 都变成了 B，ID=5 的两行都变成了 D。这时候再删除完全重复的行，它们就会被识别并移除。
现在所有列都一致了，可以放心删除完全重复的行：
df.drop_duplicates(inplace=True)print(”删除重复后：”)print(df)
输出：
ID Name Date Amount Category0 1 Alice 2023-01-01 100.0 A1 2 Bob 2023-01-02 200.0 B3 3 Charlie 2023-03-01 350.0 C4 4 David 2023-04-03 400.0 C5 5 Eve 2023-05-01 500.0 D7 6 Frank 2023-06-01 600.0 E
现在数据干净多了：没有缺失值，没有重复行，所有格式统一。
5. 最终检查与保存
清洗完成后，检查一下数据类型和基本信息：
print(”清洗后数据信息：”)df.info()
输出：
Int64Index: 6 entries, 0 to 7Data columns (total 5 columns):# Column Non-Null Count Dtype--- ------ -------------- ----- 0 ID 6 non-null int64 1 Name 6 non-null object 2 Date 6 non-null object 3 Amount 6 non-null float64 4 Category 6 non-null objectdtypes: float64(1), int64(1), object(3)
所有列都没有缺失值，Amount 变成了 float64，适合后续计算。最后将清洗后的数据保存为 CSV 文件：
df.to_csv('cleaned_data.csv', index=False)print(”清洗数据已保存至 cleaned_data.csv”)
封装自动化清洗函数
上面的步骤虽然清晰，但每次都要手动写一遍太麻烦。我们可以把它们封装成一个函数，以后只要传入原始 DataFrame，就能自动完成清洗。
def auto_clean_data(df): ””” 自动清洗数据框，处理缺失值、重复值、格式不一致。 返回清洗后的 DataFrame。 ””” df = df.copy()# 1. 处理数值列中的特殊符号并转换为数值 for col in df.select_dtypes(include=['object']).columns: if df[col].str.contains(r'[\$€¥]', na=False).any(): df[col] = df[col].str.replace(r'[\$€¥]', '', regex=True) df[col] = pd.to_numeric(df[col], errors='coerce')# 2. 缺失值处理：数值列用中位数填充，分类型用众数填充 for col in df.columns: if df[col].dtype in ['int64', 'float64']: df[col].fillna(df[col].median(), inplace=True) elif df[col].dtype == 'object':# 尝试解析日期 if df[col].str.match(r'\d{4}[-/]\d{2}[-/]\d{2}|\d{2}[-/]\d{2}[-/]\d{4}', na=False).any(): df[col] = pd.to_datetime(df[col], errors='coerce') df[col] = df[col].dt.strftime('%Y-%m-%d') else: df[col].fillna(df[col].mode()[0] if not df[col].mode().empty else 'Unknown', inplace=True)# 统一大小写 df[col] = df[col].str.upper()# 3. 删除完全重复的行 df.drop_duplicates(inplace=True)# 4. 重置索引 df.reset_index(drop=True, inplace=True) return df# 测试自动化函数df_original = pd.DataFrame(data)# 重新加载原始数据df_cleaned = auto_clean_data(df_original)print(”自动化清洗结果：”)print(df_cleaned)
输出和之前的手动清洗结果一致。这个函数可以作为一个基础模板，根据实际业务需求调整填充策略、日期格式等。
高级技巧与注意事项
- 缺失值插值：对于时间序列数据，可以使用
df.interpolate() 进行线性插值，比简单填充更平滑。 - 重复值基于子集：如果业务上认为某些列相同即为重复（如 ID），可以用
df.drop_duplicates(subset=['ID'])。 - 正则表达式批量替换：
str.replace 支持正则，可以一次清理多种符号，比如 df['Amount'].str.replace(r'[\$€¥]', '', regex=True)。 - 数据类型推断：
pd.to_datetime 和 pd.to_numeric 配合 errors='coerce' 可以安全转换，不会因为个别错误导致整个程序崩溃。 - 内存优化：对于大型数据集，使用
dtype 参数指定列类型（如 category、int32）可以显著降低内存占用。
总结
数据清洗是数据分析中绕不开的一步，但用 pandas 处理起来非常高效。本文从构造脏数据开始，逐步演示了缺失值填充、重复值删除、日期统一、大小写标准化等常见操作，最后封装成了一个自动化函数。掌握了这些基础，你就能在几分钟内把一团乱麻的数据整理得井井有条，为后续的分析和建模打下坚实基础。
如果你在实际工作中遇到了更复杂的清洗需求（比如多表合并后的重复、异常值检测等），可以在这个基础上继续扩展。希望这篇文章能帮你告别脏数据，让 Python 成为你数据清洗的得力助手！
附录：完整可运行代码
以下是将所有步骤整合在一起的完整代码，可以直接复制到 Jupyter Notebook 或 Python 脚本中运行。
import pandas as pdimport numpy as np# 1. 构造含问题数据data = { 'ID': [1, 2, 2, 3, 4, 5, 5, 6], 'Name': ['Alice', 'Bob', 'Bob', 'Charlie', 'David', 'Eve', 'Eve', 'Frank'], 'Date': ['2023-01-01', '01/02/2023', '01/02/2023', '2023-03-01', '03-04-2023', '2023/05/01', '2023/05/01', '2023-06-01'], 'Amount': ['$100', '200', '200', np.nan, '$400', '500', '500', '600'], 'Category': ['A', 'b', 'B', 'c', 'C', 'D', 'd', 'E']}df = pd.DataFrame(data)print(”=== 原始数据 ===”)print(df)# 2. 缺失值处理df['Amount'] = df['Amount'].str.replace('$', '', regex=False)df['Amount'] = pd.to_numeric(df['Amount'], errors='coerce')median_amount = df['Amount'].median()df['Amount'].fillna(median_amount, inplace=True)print(”\n=== 缺失值处理后 ===”)print(df)# 3. 重复值处理df.drop_duplicates(inplace=True)print(”\n=== 删除重复后 ===”)print(df)# 4. 格式不一致处理# 日期统一def parse_date(date_str): for fmt in ('%Y-%m-%d', '%m/%d/%Y', '%d-%m-%Y', '%Y/%m/%d'): try: return pd.to_datetime(date_str, format=fmt) except: continue return pd.NaTdf['Date'] = df['Date'].apply(parse_date)df['Date'] = df['Date'].dt.strftime('%Y-%m-%d')# 分类大小写统一df['Category'] = df['Category'].str.upper()print(”\n=== 格式统一后 ===”)print(df)# 5. 保存结果df.to_csv('cleaned_data.csv', index=False)print(”\n清洗数据已保存至 cleaned_data.csv”)# 自动化函数示例def auto_clean_data(df): df = df.copy() for col in df.select_dtypes(include=['object']).columns: if df[col].str.contains(r'[\$€¥]', na=False).any(): df[col] = df[col].str.replace(r'[\$€¥]', '', regex=True) df[col] = pd.to_numeric(df[col], errors='coerce') for col in df.columns: if df[col].dtype in ['int64', 'float64']: df[col].fillna(df[col].median(), inplace=True) elif df[col].dtype == 'object': if df[col].str.match(r'\d{4}[-/]\d{2}[-/]\d{2}|\d{2}[-/]\d{2}[-/]\d{4}', na=False).any(): df[col] = pd.to_datetime(df[col], errors='coerce') df[col] = df[col].dt.strftime('%Y-%m-%d') else: df[col].fillna(df[col].mode()[0] if not df[col].mode().empty else 'Unknown', inplace=True) df[col] = df[col].str.upper() df.drop_duplicates(inplace=True) df.reset_index(drop=True, inplace=True) return df# 测试自动化函数df_test = pd.DataFrame(data)df_auto = auto_clean_data(df_test)print(”\n=== 自动化清洗结果 ===”)print(df_auto)
现在，你可以把这个脚本保存下来，以后遇到类似的脏数据，直接调用 auto_clean_data 函数就能快速搞定。快去试试吧！
10个月宝宝每天需要喝多少奶粉？
