这里只选取视频中的部分，详细资料还是去Datacastle下载看吧

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

格式转换：

比如Excel和数据库中关于时间的记录；它是字符串的格式来进行保存的，如果想对时间进行一些运算的话，就必须利用Python里的一些包。

缺失数据：

可以说是数据清理的最重要的一个问题。

那么，如何应对数据缺失问题呢？

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

利用平均值、最常出现的值进行填充。（这是非常大的一个研究的方向）

出现不符合常识的数值

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

需要的包：

pandas:pip install pandas

seaborn:pip install seaborn

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

介绍了：

user.describe

user.shape

user.loc等待方法

数据清理：

to_datetime方法转换成日期类型

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

日期相减：

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

处理age异常：

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

利用dropna()方法去掉NaN

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

绘制平均值的图：

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

只取年龄<90岁的人

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

由于很多都<10岁，不符合实际。再取年龄>10岁的

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践

柱状图

数据分析师入门——用 Pandas 进行数据预处理：数据清洗与可视化
数据清理的一些内容：
数据清理实践