Python数据清洗常用代码实例与操作指南

阿橙

发布时间：2026-10-11| 3人浏览过

原创

本文系统整理Python数据清洗的核心代码实例，涵盖多格式文件读写、时间序列处理、分组聚合运算、多表合并、缺失值填补及行列转换等高频场景。通过标准化pandas操作与内置函数，提供可直接复制运行的脚本模板，帮助开发者快速提升数据处理效率。

数据读取与导出基础

批量读取CSV与TXT文件

针对结构化数据，pandas 提供了高效的文件读写接口。读取CSV时可通过 encoding 指定编码格式（如 utf-8 或 gbk），并通过 sep 自定义分隔符。若遇到 ParserError: Error tokenizing data. 报错，通常是因为实际分隔符与默认逗号不符，调整 sep=\"\\t\" 即可解决。

import pandas as pd

# 读取单文件（推荐显式指定编码与分隔符）
df = pd.read_csv("data.csv", encoding="utf-8-sig", sep=",")

当数据分散在多个文件夹中时，可结合 glob 遍历路径并逐层合并。注意在拼接循环内的数据框时使用正确的变量名，避免引用未定义对象。

import glob
import os

base_dir = "./obj/"
combined_df = pd.DataFrame()

for job_folder in glob.glob(os.path.join(base_dir, "job_id=")):
    csv_files = sorted(glob.glob(os.path.join(job_folder, "job_id=*.csv")))
    if not csv_files:
        continue
    # 假设第一个文件包含表头，后续文件需跳过header或对齐列名
    chunk_df = pd.concat([pd.read_csv(f) for f in csv_files], ignore_index=True)
    combined_df = pd.concat([combined_df, chunk_df], ignore_index=True)

TXT纯文本处理推荐使用 with open() 上下文管理器，确保文件指针自动关闭。每行数据以字符串形式返回，配合 .strip() 清除末尾换行符，.split() 按空格或制表符切分为列表，便于后续清洗提取。

with open("sample.txt", encoding="utf-8") as f:
    for line in f:
        cleaned_line = line.strip()
        fields = cleaned_line.split()

规范化导出数据

完成清洗后，可使用 to_csv() 写入磁盘。设置 index=False 隐藏行索引，encoding 统一为 utf-8 以避免跨平台乱码。若文件已存在，该操作会直接覆盖原文件，建议在执行前备份关键数据。

combined_df.to_csv("cleaned_output.csv", index=False, encoding="utf-8")

时间序列与日期处理

业务报表常涉及时间计算与格式化。利用 datetime 模块或 pandas 内置方法可快速完成加减法、星期判断与周期划分。

时间加减与格式转换：

import datetime
start_str = "2022-01-12 12:11:00"
time_obj = datetime.datetime.strptime(start_str, "%Y-%m-%d %H:%M:%S")
time_obj += datetime.timedelta(minutes=5)
print(time_obj.strftime("%Y-%m-%d %H:%M:%S"))

判断星期几：

df = pd.DataFrame({"day": ["2021-11-12", "2021-11-13", "2021-11-14"}])
pd.to_datetime(df["day"]).dt.weekday + 1  # 返回 5,6,7（周五至周日）

计算年内周数：

pd.to_datetime("2021-11-12").isocalendar()[1]  # 获取ISO年份的第几周

生成时间等差数列：
注：新版 pandas 已弃用 inclusive 参数，改为 closed。
```
pd.date_range(start="2021-11-12", end="2021-11-14", freq="1h", closed="left")
```

数据分组聚合与批量运算

groupby 是进行特征统计的核心工具。可基于单列或多列（传入列表）分组，并结合 agg() 调用多种聚合函数，代码更紧凑。

df = pd.DataFrame({"性别": ["男","女","女","男","男"], 
                   "身高": [179,160,167,170,169]})
df.groupby("性别")["身高"].mean().reset_index()

# 多指标同计算
df.groupby("性别")["身高"].agg(["mean", "max", "min"]).reset_index()

对非数值型字段或复杂逻辑，可使用 apply() 逐行/逐列执行自定义函数。批量映射替换推荐使用字典映射：

gender_dict = {"男": "Man", "女": "Woman"}
df["性别"].map(gender_dict)

表结构合并与缺失值清理

多源数据整合依赖 merge 与 concat。前者类似 SQL JOIN，支持 inner/outer/left/right 连接模式，通过 on 指定关联键；后者用于纵向堆叠（axis=0）或横向拼接（axis=1），join 控制保留全集还是交集。

# 生成笛卡尔积示例
pd.merge(df1, df2, on="value").drop("value", axis=1)

缺失值处理遵循 “识别 → 填充/删除 → 校验” 流程：
- isnull() / notnull()：快速定位空值分布。
- fillna(value)：按固定值、均值或插值法填补，设置 inplace=True 可原地修改。
- dropna(axis=0, how="any")：剔除含有空值的行（"all" 表示全为空才删）。