1、数据类型转换

Pandas 提供了多种数据类型转换的方法，可以将数据类型转换为 int、float、bool、str 等类型，以满足不同的业务需求。比如，可以使用 Pandas 提供的 astype() 函数将数据类型转换为指定的类型，如下所示：

123import pandas as pd 
# 创建一个示例
df = pd.DataFrame({'a':[1,2,3], 'b':[4,5,6]}) 
# 将数据类型转换为float
df['a'] = df['a'].astype(float) 
print(df.dtypes)
Python

以上代码将数据类型转换为 float，输出结果为：

1a    float64
b      int64
dtype: object
Python

2、数据替换

Pandas 提供了 replace() 函数，可以根据指定的值替换 DataFrame 中的数据，如下所示：

123import pandas as pd 
# 创建一个示例
df = pd.DataFrame({'a':[1,2,3], 'b':[4,5,6]}) 
# 替换指定的值
df.replace(1,10) 
print(df)
Python

以上代码将 1 替换为 10，输出结果为：

1234    a  b
0  10  4
1   2  5
2   3  6
Python

3、数据缺失值处理

Pandas 提供了多种处理缺失值的方法，可以将缺失值替换为指定的值，也可以将缺失值删除，以满足不同的业务需求。比如，可以使用 Pandas 提供的 fillna() 函数将缺失值替换为指定的值，如下所示：

123import pandas as pd 
# 创建一个示例
df = pd.DataFrame({'a':[1,2,3], 'b':[4,5,None]}) 
# 将缺失值替换为0
df.fillna(0) 
print(df)
Python

以上代码将缺失值替换为 0，输出结果为：

1234    a    b
0  1.0  4.0
1  2.0  5.0
2  3.0  0.0
Python

4、数据去重

Pandas 提供了 drop_duplicates() 函数，可以根据指定的列进行数据去重，如下所示：

123import pandas as pd 
# 创建一个示例
df = pd.DataFrame({'a':[1,2,3], 'b':[4,5,5]}) 
# 根据列b进行去重
df.drop_duplicates(['b']) 
print(df)
Python

以上代码将根据列 b 进行去重，输出结果为：

1234    a  b
0  1  4
1  2  5
2  3  5
Python

以上就是 Pandas 实现数据清洗的几种方法，可以根据不同的业务需求，灵活使用这些方法，以满足不同的需求。