清洗

您现在的位置是：首页 > 清洗清洗

• pandas（12）：数据清洗（缺失值）

  一、缺失值 1 缺失值类型 空值：在pandas中的空值是：" "，空的字符串，不是缺失值。 缺失值：pandas里，如果是DataFrame（数据帧）中,缺失值可以表示为NaN或

  06-18【其他编程】

  阅读更多

• pandas数据处理清洗案例：中文地址拆分

  其他编程

  一、案例场景 字段login_place，一共267725行记录,随机15条记录如下： 后续数据分析工作需要用到地理维度进行分析，所以需要把login_place字段进行拆分成：国家、省份、地区。 二

  06-18【其他编程】

  阅读更多

• pandas（13）：数据清洗（重复值和异常值查看）

  其他编程

  数据源： df= pd.DataFrame({'k1': [ 's1']* 3 + ['s2']* 5,'k2' : [1, 1, 2,

  06-18【其他编程】

  阅读更多

• pandas（13）：数据清洗（重复值和异常值查看）

  数据源： df= pd.DataFrame({'k1': [ 's1']* 3 + ['s2']* 5,'k2' : [1, 1, 2,

  06-16【python】

  阅读更多

• pandas数据处理清洗案例：中文地址拆分

  一、案例场景 字段login_place，一共267725行记录,随机15条记录如下： 后续数据分析工作需要用到地理维度进行分析，所以需要把login_place字段进行拆分成：国家、省份、地区。 二

  06-16【其他编程】

  阅读更多

• pandas（13）：数据清洗（重复值和异常值查看）

  数据源： df= pd.DataFrame({'k1': [ 's1']* 3 + ['s2']* 5,'k2' : [1, 1, 2,

  06-16【其他编程】

  阅读更多

• pandas（13）：数据清洗（重复值和异常值查看）

  数据源： df= pd.DataFrame({'k1': [ 's1']* 3 + ['s2']* 5,'k2' : [1, 1, 2,

  06-16【其他编程】

  阅读更多

• pandas数据处理清洗案例：中文地址拆分

  一、案例场景 字段login_place，一共267725行记录,随机15条记录如下： 后续数据分析工作需要用到地理维度进行分析，所以需要把login_place字段进行拆分成：国家、省份、地区。 二

  06-15【其他编程】

  阅读更多

• pandas数据处理清洗案例：中文地址拆分

  一、案例场景 字段login_place，一共267725行记录,随机15条记录如下： 后续数据分析工作需要用到地理维度进行分析，所以需要把login_place字段进行拆分成：国家、省份、地区。 二

  06-15【python】

  阅读更多

• pandas数据处理清洗案例：中文地址拆分

  一、案例场景 字段login_place，一共267725行记录,随机15条记录如下： 后续数据分析工作需要用到地理维度进行分析，所以需要把login_place字段进行拆分成：国家、省份、地区。 二

  06-15【其他编程】

  阅读更多

• pandas（12）：数据清洗（缺失值）

  一、缺失值 1 缺失值类型 空值：在pandas中的空值是：" "，空的字符串，不是缺失值。 缺失值：pandas里，如果是DataFrame（数据帧）中,缺失值可以表示为NaN或

  06-15【其他编程】

  阅读更多

• pandas（12）：数据清洗（缺失值）

  一、缺失值 1 缺失值类型 空值：在pandas中的空值是：" "，空的字符串，不是缺失值。 缺失值：pandas里，如果是DataFrame（数据帧）中,缺失值可以表示为NaN或

  06-12【其他编程】

  阅读更多

• pandas（12）：数据清洗（缺失值）

  一、缺失值 1 缺失值类型 空值：在pandas中的空值是：" "，空的字符串，不是缺失值。 缺失值：pandas里，如果是DataFrame（数据帧）中,缺失值可以表示为NaN或

  06-12【其他编程】

  阅读更多

• pandas（12）：数据清洗（缺失值）

  一、缺失值 1 缺失值类型 空值：在pandas中的空值是：" "，空的字符串，不是缺失值。 缺失值：pandas里，如果是DataFrame（数据帧）中,缺失值可以表示为NaN或

  06-12【python】

  阅读更多

• 数据管理：业务数据清洗，落地实现方案

  分析业务通常都是要面对全局数据，如果出现大量的上述情况，就会导致数据在使用的时候难度非常大，随之也会带来很多问题：数据分散不规范，导致响应性能差，稳定性低，同时提高管理成本。 当随着业务发展，数据的沉

  06-10【其他编程】

  阅读更多

• 数据管理：业务数据清洗，落地实现方案

  分析业务通常都是要面对全局数据，如果出现大量的上述情况，就会导致数据在使用的时候难度非常大，随之也会带来很多问题：数据分散不规范，导致响应性能差，稳定性低，同时提高管理成本。 当随着业务发展，数据的沉

  06-09【其他编程】

  阅读更多

• 数据管理：业务数据清洗，落地实现方案

  分析业务通常都是要面对全局数据，如果出现大量的上述情况，就会导致数据在使用的时候难度非常大，随之也会带来很多问题：数据分散不规范，导致响应性能差，稳定性低，同时提高管理成本。 当随着业务发展，数据的沉

  06-09【其他编程】

  阅读更多

• 数据管理：业务数据清洗，落地实现方案

  分析业务通常都是要面对全局数据，如果出现大量的上述情况，就会导致数据在使用的时候难度非常大，随之也会带来很多问题：数据分散不规范，导致响应性能差，稳定性低，同时提高管理成本。 当随着业务发展，数据的沉

  06-09【其他编程】

  阅读更多

• Python | Pandas数据清洗与画图

  准备数据
  2016年北京PM2.5数据集
  
  数据源说明：美国驻华使馆的空气质量检测数据
  数据清洗
  1. 导入数据
  用Pandas库的read_csv()导入csv文件
  import pandas as pd
  import matp

  04-18【其他编程】

  阅读更多

• Python数据分析入门（十）：数据清洗和准备

  python

  数据清洗是数据分析关键的一步，直接影响之后的处理工作
  数据需要修改吗？有什么需要修改的吗？数据应该怎么调整才能适用于接下来的分析和挖掘？
  是一个迭代的过程，实际项目中可能

  04-18【python】

  阅读更多

• Python | Pandas数据清洗与画图

  准备数据
  2016年北京PM2.5数据集
  
  数据源说明：美国驻华使馆的空气质量检测数据
  数据清洗
  1. 导入数据
  用Pandas库的read_csv()导入csv文件
  import pandas as pd
  import matp

  04-18【python】

  阅读更多

• Python | Pandas数据清洗与画图

  准备数据
  2016年北京PM2.5数据集
  
  数据源说明：美国驻华使馆的空气质量检测数据
  数据清洗
  1. 导入数据
  用Pandas库的read_csv()导入csv文件
  import pandas as pd
  import matp

  04-18【其他编程】

  阅读更多