Pandas处理脏数据的常用操作

网上关于这个的资料不少，但很多都只讲原理不给代码。这里补一个完整的可运行示例，亲测有效。

先搞清楚原理

Pandas的底层原理涉及数据清洗。用代码演示比画图更直观：

import pandas as pd
import numpy as np

np.random.seed(0)
df = pd.DataFrame({
    'feature_1': np.random.randn(1000),
    'feature_2': np.random.randn(1000) * 2 + 1,
    'category': np.random.choice(['A', 'B', 'C'], 1000),
    'value': np.random.exponential(1.0, 1000),
})

print(f'数据形状: {df.shape}')
print(f'缺失值:\n{df.isnull().sum()}')

numeric_cols = df.select_dtypes(include=[np.number]).columns
df[numeric_cols] = df[numeric_cols].fillna(df[numeric_cols].median())

summary = df.groupby('category')['value'].agg(['mean', 'std', 'count']).round(2)
print(f'分组统计:\n{summary}')

实际怎么用

在真实项目中用Pandas，和教程里还是有区别的。主要是数据清洗这块需要额外处理。完整代码如下：

from pathlib import Path
import json
import logging

logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

class DataPipeline:
    def __init__(self, config_path: str = 'config.json'):
        self.config = self._load_config(config_path)
        self.stages = []

    def _load_config(self, path: str) -> dict:
        config_file = Path(path)
        if config_file.exists():
            return json.loads(config_file.read_text())
        return {'batch_size': 1000, 'output_dir': './output'}

    def add_stage(self, name: str, func):
        self.stages.append({'name': name, 'func': func})
        return self

    def run(self, data):
        logger.info(f'Pipeline开始，共{len(self.stages)}个阶段')
        for j, stage in enumerate(self.stages, 1):
            logger.info(f'阶段 {j}/{len(self.stages)}: {stage["name"]}')
            data = stage['func'](data)
        logger.info('Pipeline完成')
        return data

pipeline = DataPipeline()
pipeline.add_stage('filter', lambda d: [x for x in d if x > 0])
pipeline.add_stage('transform', lambda d: [x * 2 for x in d])
result = pipeline.run([-1, 2, -3, 4, 5])
print(f'结果: {result}')

进阶一点的用法

如果对性能有要求，Pandas可以做数据清洗方面的优化。核心改动不大，但效果明显：

容易踩的坑

说几个容易踩的坑。第一个是数据清洗的问题，很多人在这上面栽过跟头。第二个是版本兼容性，不同版本行为可能不一样。第三个是边界情况，空值和异常输入要处理好。

写在最后

总结一下，Pandas的关键在于向量化计算。掌握了这个，其他用法都是在这个基础上扩展。建议多写几个小demo练手，光看不动手容易忘。