Python数据清洗学习笔记–概述
数据清洗实质上是将实际业务问题中,脏数据清洗干净,转换为’干净的数据’,所谓的脏,指数据可能存在以下几种问题(主要问题):
-
数据缺失 (Incomplete)是属性值为空的情况。如 Occupancy = “ ”
-
数据噪声 (Noisy)是数据值不合常理的情况。如 Salary = “-100”
-
数据不一致 (Inconsistent)是数据前后存在矛盾的情况。如 Age = “042” 或者 Birthday= “01/09/1985”
-
数据冗余 (Redundant)是数据量或者属性数目超出数据分析需要的情况
-
离群点/异常值(Outliers)是偏离大部分值的数据
-
数据重复是在数据集中出现多次的数据
数据清洗的意义:
-
现实生活中,数据并非完美的, 需要进行清洗才能进行后面的数据分析
-
数据清洗是整个数据分析项目最消耗时间的一步
-
数据的质量最终决定了数据分析的准确性
-
数据清洗是唯一可以提高数据质量的方法,使得数据分析的结果也变得更加可靠
记录自:python数据清洗实战–Peter老师