数据预处理常用的处理步骤，包括找出异常值、处理缺失值、过滤不合适值、去掉重复行、分箱、分组、排名、category转数值等，下面使用 pandas 解决这些最常见的预处理任务。
找出异常值常用两种方法：
标准差法：异常值平均值上下1.96个标准差区间以外的值
分位数法：小于 1/4分位数减去 1/4和3/4分位数差的1.5倍，大于3/4减去 1/4和3/4分位数差的1.5倍，都为异常值
技能1 ：标准差法
importpandasaspddf=pd.DataFrame({'a':[1,3,np.nan],'b':[4,np.nan,np.nan]})#异常值平均值上下1.96个标准差区间以外的值meangrade=df['a'].mean()stdgrade=df['a'].std()toprange=meangrade+stdgrade*1.96botrange=meangrade-stdgrade*1.96#过滤区间外的值copydf=dfcopydf=copydf.drop(copydf[copydf['a']>toprange].index)copydf=copydf.drop(copydf[copydf['a']<botrange].index)copydf
技能2：分位数法：
q1=df['a'].quantile(.25)q3=df['a'].quantile(.75)iqr=q3-q1toprange=q3+iqr*1.5botrange=q1-iqr*1.5copydf=dfcopydf=copydf.drop(copydf[copydf['a']>toprange].index)copydf=copydf.drop(copydf[copydf['a']<botrange].index)copydf
技能3：处理空值
np.nan 是 pandas 中常见空值，使用 dropna 过滤空值，axis 0 表示按照行，1 表示按列，how 默认为 any ，意思是只要有一个 nan 就过滤某行或某列，all 所有都为 nan
#axis0表示按照行，all此行所有值都为nandf.dropna(axis=0,how='all')
技能4：充填空值
空值一般使用某个统计值填充，如平均数、众数、中位数等，使用函数 fillna:
#使用a列平均数填充列的空值，inplacetrue表示就地填充df["a"].fillna(df["a"].mean(),inplace=True)
技能5：修复不合适值
假如某门课最高分100，如果出现 -2， 120 这样的值，显然不合理，使用布尔类型的Series对象修改数值：
df.loc[(df['a']<-2,'a')]=0df.loc[(df['a']>=100,'a')]=100
技能6：过滤重复值
过滤某列重复值，使用 drop_duplicated 方法，第一个参数为列名，keep关键字等于last：最后一次出现此值行：
df.drop_duplicates(['Names'],keep='last')
技能7：apply 元素级：去掉特殊字符
某列单元格含有特殊字符，如标点符号，使用元素级操作方法 apply 干掉它们：
importstringexclude=set(string.punctuation)defremove_punctuation(x):x=''.join(chforchinxifchnotinexclude)returnx#原dfOut[26]:ab0c,dedc.rc1332def4#过滤a列标点In[27]:df.a=df.a.apply(remove_punctuation)In[28]:dfOut[28]:ab0cdedc.rc1332def4
技能8：cut 数据分箱
将百分制分数转为A,B,C,D四个等级，bins 被分为 [0,60,75,90,100]，labels 等于['D', 'C', 'B', 'A']：
#生成20个[0,100]的随机整数In[30]:a=np.random.randint(1,100,20)In[31]:aOut[31]:array([48,22,46,84,13,52,36,35,27,99,31,37,15,31,5,46,98,99,60,43])#cut分箱In[33]:pd.cut(a,[0,60,75,90,100],labels=['D','C','B','A'])Out[33]:[D,D,D,B,D,...,D,A,A,D,D]Length:20Categories(4,object):[D<C<B<A]
技能9：rank 排名
rank 方法，生成数值排名，ascending 为False，分值越大，排名越靠前：
In[36]:df=pd.DataFrame({'a':[46,98,99,60,43]}))In[53]:df['a'].rank(ascending=False)Out[53]:04.012.021.033.045.0
技能10：category列转数值
某列取值只可能为有限个枚举值，往往需要转为数值，使用get_dummies，或自己定义函数：
pd.get_dummies(df['a'])
自定义函数，结合 apply:
defc2n(x):ifx=='A':return95ifx=='B':return80df['a'].apply(c2n)
以上结合数据预处理的十个小任务，分别找到对应pandas中的实现。
