Python数据清洗需识别脏数据模式、选合适工具并避免重复劳动；pandas为主力，配合numpy、re、datetime等库；常见脏数据包括空值、重复行、格式混乱、异常值、编码错误；清洗前用df.info()、df.sample()、df.nunique()探查数据；缺失值按性质处理，文本用str+正则清理，时间字段标准化并衍生特征；清洗后保存中间结果便于回溯。
Python数据清洗与处理不是写几个函数就完事，关键在识别脏数据的模式、选择合适工具、避免重复劳动。pandas是主力，但配合numpy、re、datetime等库才能覆盖真实场景中的各种“意外”。
识别常见脏数据类型，对症下药
脏数据往往有固定表现形式：空值（None、NaN、空字符串、"NULL"）、重复行、格式混乱（日期写成"2023/01/01"和"2023-01-01"混用）、异常值（年龄999、价格-5）、编码错误（中文乱码、utf-8与gbk混用）。清洗前先用df.info()看整体结构，用df.sample(10)抽样观察原始形态，再用df.nunique()检查字段唯一性——比如“用户ID”若不唯一，大概率存在重复或录入错误。
高效处理缺失值的实用策略
别一上来就用dropna()删光。先区分缺失性质：是随机丢失（可均值/中位数填充），还是系统性缺失（如新上线功能导致某列全空，应保留并标记为“未启用”）。常用操作包括：
- df['age'].fillna(df['age'].median(), inplace=True) —— 数值型用中位数更抗异常值干扰
- df['category'].fillna('Unknown', inplace=True) —— 分类型补占位符，后续建模时可作为独立类别
- df['date'] = pd.to_datetime(df['date'], errors='coerce') —— 强制转日期，失败变NaT，再统一用fillna(pd.Timestamp('1970-01-01'))
用正则和str方法精准清理文本字段
地址、姓名、评论这类字段最易藏坑。pandas的str访问器配合正则能批量解决：
立即学习“Python免费学习笔记（深入）”；
- df['phone'] = df['phone'].str.replace(r'\D', '', regex=True) —— 去掉所有非数字字符，统一为11位纯数字
- df['email'] = df['email'].str.lower().str.strip() —— 统一小写+去首尾空格，避免同一邮箱因大小写被当不同用户
- df['comment'] = df['comment'].str.replace(r'[^\w\s]', ' ', regex=True).str.replace(r'\s+', ' ', regex=True).str.strip() —— 清除标点、合并多余空格、去首尾空格
时间字段标准化与特征衍生
时间不是只为了排序。从原始时间戳可挖出业务信号：
- df['order_time'] = pd.to_datetime(df['order_time']) —— 确保是datetime64类型
- df['hour'] = df['order_time'].dt.hour —— 提取小时，分析下单高峰
- df['is_weekend'] = df['order_time'].dt.dayofweek >= 5 —— 判断是否周末，用于分组统计
- df['days_since_last'] = df.groupby('user_id')['order_time'].diff().dt.days.fillna(0) —— 计算用户两次下单间隔天数
清洗不是终点，而是让后续分析、建模、可视化真正可信的起点。每次清洗后建议保存中间结果（如df.to_parquet('cleaned_v1.parquet')），方便回溯和协作。不复杂但容易忽略。
