
昨天和学长聊到下周要做的数据清洗工作,心想应该很好上手吧,结果今早爬起来一问度娘,立马就被灌了整锅的毒鸡汤…某论坛上的网友甚至告诉小编,数据清洗占了他某项工作中的八成分量,是绝对的大工程…
额…好吧,尽管小编还是这方面的零基础学员,鼓捣了一整天依然图样图森破,但是在“还要多学习”的精神指引下,还是来跟大家分享一点学习中的收获吧。
前方预警:大神请绕行~
在开始今天的介绍之前,有几点说明:
1. 这次介绍的代码主要针对重复值、缺失值和字符中的空格等情况的处理;
2. 由于篇幅限制,演示中导入csv格式文件作为数据来源;
3. 请在“文件”菜单中把R软件的“当前工作目录”改为导入文件所在目录;
![]()
4. 本次使用的数据是世界银行数据库中的“国家政策和制度评估(CPIA):公共部门管理和机构集群平均值(1=低至 6=高)”数据;另外,为使清洗效果更明显,我对其做了点“手脚”,让其显得“更乱”:
那么,这么“脏乱”的数据该咋“洗”呢?具体步骤如下:
1. 读取并创建数据表。可以通过查看数据表前5行看看是否读取;
#读取并创建数据表
data=data.frame(read.csv('CPIA.csv',header =1))
#查看数据表前5行
head(data)
![]()
2. 清洗特定列的重复值。R语言的返回结果为:重复的标记为TURE,不重复的值标记为FALSE;下面以清洗“国家名称”这一列的重复值为例,其他各列依次完成;
#重复值清洗
duplicated(data$Country.Name)
![]()
#删除重复值,返回唯一值列表
data=unique(data)
#查看清洗结果
duplicated(data$Country.Name)
![]()
3. 空值清洗。
(1)如果查找数据表中的空值,则代码为:
#查找数据表中的空值
head(is.na(data),n = 264)
需要注意的是,这里的264是数据容量,R语言的返回结果依然是空值标记为TURE,非空值标记为FALSE;
(2)如果查找特定列中的空值,则代码如下(以2015年数据为例):
#查看特定列中的空值
is.na(data$X2015)
(3)处理空值的方式有两种,将空值填充为0或删除空值所在行;
#将空值填充为0
data[is.na(data)] <- 0
#删除空值所在行
data<-na.omit(data)
4. 去除特定列中字符间的空格。需要安装并加载raster包,以“国家名称”列为例;
#提取“国家名称”列
Country.Name=as.vector(data$Country.Name)
#安装raster包
install.packages('raster')
#加载raster包
library(raster)
#去除“国家名称”字段中的空格
Country=trim(Country.Name)
#覆盖原有“国家名称”字段
data$Country.Name=Country
5. 另存为新文件,供后续分析;
#保存为csv文件
write.csv(data,file="CPIA1.csv")
![]()
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11