使用任何数据集之前，都必须进行数据清洗，以便开展进一步分析。常见的数据质量问题包括重复数据、不正确的格式、超出范围的数值以及缺失的数据。
本教程将介绍在Python中用于常见数据清洗任务的一系列单行代码技巧，并以一个示例数据集为基础进行演示。
若想顺利掌握本教程，你需要熟练掌握Python中的列表推导式和字典推导式。让我们开始吧！
生成示例数据
▶️ 这里是本教程对应的GoogleColab笔记本。
首先生成示例数据：
data = [ {"name": "alice smith", "age": 30, "email": "alice@example.com", "salary": 50000.00, "join_date": "2022-03-15"}, {"name": "bob gray", "age": 17, "email": "bob@not-an-email", "salary": 60000.00, "join_date": "invalid-date"}, {"name": "charlie brown", "age": None, "email": "charlie@example.com", "salary": -1500.00, "join_date": "15-09-2022"}, {"name": "dave davis", "age": 45, "email": "dave@example.com", "salary": 70000.00, "join_date": "2021-07-01"}, {"name": "eve green", "age": 25, "email": "eve@example.com", "salary": None, "join_date": "2023-12-31"}, ]
现在，我们尝试编写一些代码来解决示例数据中的问题。
1. 字符串首字母大写标准化
jrhz.info统一数据集中字符串格式很重要。我们将姓名格式统一为首字母大写：
将姓名首字母大写以保持一致性
data = [{**d, "name": d["name"].title} for d in data]
2. 数据类型转换
为确保分析准确，保持数据类型的一致性至关重要。以下代码将年龄转换为整数，转换失败则默认赋值25：
将年龄转换为整数类型，若转换失败则默认25
data = [{**d, "age": int(d["age"]) if isinstance(d["age"], (int, float)) else 25} for d in data]
3. 数值范围校验
我们还需确保数值在合理范围内。以下代码检查年龄是否在18到60之间，否则赋值为默认年龄25：
确保年龄为18-60之间的整数，否则设为25
data = [{**d, "age": d["age"] if isinstance(d["age"], int) and 18 <= d["age"] <= 60 else 25} for d in data]
4. 邮箱格式校验
文本字段格式问题较常见。以下代码检查邮箱格式是否有效，不符合规范则替换为默认邮箱：
验证邮箱包含"@"和"."，否则设为'invalid@example.com'
data = [{**d, "email": d["email"] if "@" in d["email"] and "." in d["email"] else "invalid@example.com"} for d in data]
5. 处理缺失值
缺失值在数据集中较为常见，下述代码检查工资是否缺失，若缺失则赋默认值：
若薪资缺失，则默认设为30,000
data = [{**d, "salary": d["salary"] if d["salary"] is not None else 30000.00} for d in data]
6. 日期格式标准化
统一日期格式有助于分析，以下代码将不同日期格式统一，并对无效日期赋予默认日期：
from datetime import datetime
尝试将日期转为标准格式，若无效则默认'2023-01-01'
data = [{**d, "join_date": (lambda x: (datetime.strptime(x, '%Y-%m-%d').date if '-' in x and len(x) == 10 else datetime.strptime(x, '%d-%m-%Y').date) if x and 'invalid-date' not in x else '2023-01-01')(d['join_date'])} for d in data]
但需要注意，这种写法可能不易阅读，建议拆解为多个步骤。
