ਡਾਟਾ ਹੱਥੀਂ ਸਾਫ਼ ਕਰਨ ਦੀ ਬਜਾਏ pandas ਵਿੱਚ ਕਿਉਂ ਸਾਫ਼ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
pandas ਵਿੱਚ ਡਾਟਾ ਸਾਫ਼ ਕਰਨਾ ਲਾਭਦਾਇਕ ਹੈ ਕਿਉਂਕਿ ਹਰ ਕਦਮ ਲਿਖਤੀ ਰੂਪ ਵਿੱਚ ਦਰਜ ਹੁੰਦਾ ਹੈ ਅਤੇ ਅਗਲੇ ਮਹੀਨੇ ਨਿਰਯਾਤ ਕੀਤੇ ਡਾਟੇ ਉੱਤੇ ਸਕਿੰਟਾਂ ਵਿੱਚ ਦੁਬਾਰਾ ਚਲਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਦਕਿ ਸਪ੍ਰੈਡਸ਼ੀਟ ਵਿੱਚ ਹੱਥੀਂ ਕੀਤੇ ਸੁਧਾਰ ਹੌਲੀ ਹੁੰਦੇ ਹਨ, ਆਸਾਨੀ ਨਾਲ ਭੁੱਲ ਜਾਂਦੇ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਦਾ ਆਡਿਟ ਕਰਨਾ ਸੰਭਵ ਨਹੀਂ ਹੁੰਦਾ।
ਕਲਪਨਾ ਕਰੋ ਕਿ ਫਰਨਹਿਲ ਗਾਰਡਨਜ਼ ਨਾਂ ਦਾ ਇੱਕ ਕਾਲਪਨਿਕ ਬਾਗਬਾਨੀ ਕੇਂਦਰਾਂ ਦਾ ਗਰੁੱਪ ਹੈ, ਜਿਸ ਦੇ ਚਾਰ ਕੇਂਦਰ ਹਨ। ਵਿੱਤੀ ਵਿਸ਼ਲੇਸ਼ਕ ਤੋਮਾਸ਼ ਨੂੰ ਆਨਲਾਈਨ ਆਰਡਰਾਂ ਦੀ ਮਹੀਨਾਵਾਰ CSV ਫ਼ਾਈਲ ਮਿਲਦੀ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਨਮੂਨੇ ਵਿੱਚ ਇੱਕੋ ਆਰਡਰ ਦੋ ਵਾਰ ਆਉਂਦਾ ਹੈ, ਕੇਂਦਰ ਦਾ ਨਾਂ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਲਿਖਿਆ ਹੋਇਆ ਹੈ, ਰਕਮਾਂ ਵਿੱਚ ਮੁਦਰਾ ਦਾ ਚਿੰਨ੍ਹ ਅਤੇ ਕਾਮਾ ਸ਼ਾਮਲ ਹਨ, ਤਾਰੀਖ਼ਾਂ ਵਿੱਚ ਦਿਨ-ਪਹਿਲਾਂ ਅਤੇ ਸਾਲ-ਪਹਿਲਾਂ ਵਾਲੇ ਫ਼ਾਰਮੈਟ ਰਲੇ ਹੋਏ ਹਨ ਅਤੇ ਗੁੰਮ ਮੁੱਲ ਖ਼ਾਲੀ ਖਾਨਿਆਂ, 'ਲਾਗੂ ਨਹੀਂ' ਅਤੇ '-' ਵਜੋਂ ਦਿਖਦੇ ਹਨ। ਹੱਥੀਂ ਠੀਕ ਕਰਨ ਵਿੱਚ ਇੱਕ ਦਿਨ ਲੱਗਦਾ ਹੈ ਅਤੇ ਕੁੱਲ ਰਕਮਾਂ ਕਦੇ ਵੀ ਭੁਗਤਾਨ ਸੇਵਾ ਦੇਣ ਵਾਲੇ ਦੀ ਰਿਪੋਰਟ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਮਿਲਦੀਆਂ।
| order_id | site | order_date | amount | postcode |
|---|---|---|---|---|
| 10231 | ਲੀਡਜ਼ | 03/11/2026 | £1,240.00 | LS6 |
| 10231 | ਲੀਡਜ਼ | 03/11/2026 | £1,240.00 | LS6 |
| 10232 | ਲੀਡਜ਼ | 2026-11-04 | 86.50 | ਲਾਗੂ ਨਹੀਂ |
| 10233 | ਯਾਰਕ | 05/11/2026 | - | YO1 |
| 10234 | ਹੈਰੋਗੇਟ | 142 |
ਤੁਸੀਂ pandas ਨਾਲ ਡਾਟਾ ਕਦਮ-ਦਰ-ਕਦਮ ਕਿਵੇਂ ਸਾਫ਼ ਕਰਦੇ ਹੋ?
pandas ਵਿੱਚ ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਲਈ, ਪਹਿਲਾਂ ਗੁੰਮ ਮੁੱਲਾਂ ਦੇ ਸੰਕੇਤ ਨਿਰਧਾਰਤ ਕਰਕੇ ਡਾਟਾ ਲੋਡ ਕਰੋ, ਇਸ ਦੀ ਜਾਂਚ ਕਰੋ, ਲਿਖਤ ਨੂੰ ਇਕਸਾਰ ਕਰੋ, ਅੰਕਾਂ ਅਤੇ ਤਾਰੀਖਾਂ ਨੂੰ ਸਹੀ ਰੂਪ ਵਿੱਚ ਬਦਲੋ, ਦੁਹਰਾਈਆਂ ਐਂਟਰੀਆਂ ਹਟਾਓ, ਬਾਕੀ ਖਾਲੀ ਥਾਵਾਂ ਨਾਲ ਕੀ ਕਰਨਾ ਹੈ ਇਹ ਤੈਅ ਕਰੋ, ਅਤੇ ਫਿਰ ਨਤੀਜੇ ਨੂੰ ਕਿਸੇ ਭਰੋਸੇਯੋਗ ਕੁੱਲ ਨਾਲ ਮਿਲਾ ਕੇ ਜਾਂਚੋ। ਇਸ ਕ੍ਰਮ ਵਿੱਚ ਕਦਮ ਚੁੱਕਣ ਨਾਲ ਇੱਕ ਸੁਧਾਰ ਦੂਜੇ ਸੁਧਾਰ ਨੂੰ ਵਿਗਾੜਦਾ ਨਹੀਂ।
1. ਗੁੰਮ ਮੁੱਲਾਂ ਦੇ ਚਿੰਨ੍ਹ ਨਿਰਧਾਰਤ ਕਰਕੇ ਡਾਟਾ ਲੋਡ ਕਰੋ
pandas ਦਾ read_csv ਫੰਕਸ਼ਨ ਫ਼ਾਈਲ ਪੜ੍ਹ ਕੇ ਉਸ ਦਾ ਡਾਟਾ ਇੱਕ DataFrame ਵਿੱਚ ਲਿਆਉਂਦਾ ਹੈ। ਇਸ ਦਾ na_values ਆਰਗਿਊਮੈਂਟ ਤੁਹਾਨੂੰ 'N/A' ਅਤੇ '-' ਵਰਗੀਆਂ ਹੋਰ ਸਤਰਾਂ ਦੀ ਸੂਚੀ ਦੇਣ ਦਿੰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਗੁੰਮ ਮੁੱਲ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਖਾਲੀ ਖਾਨਿਆਂ ਵਰਗੇ ਉਹਨਾਂ ਮੂਲ ਮੁੱਲਾਂ ਤੋਂ ਇਲਾਵਾ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ pandas ਪਹਿਲਾਂ ਹੀ ਪਛਾਣਦਾ ਹੈ। ਇੱਥੇ ਇਹਨਾਂ ਨੂੰ ਤੈਅ ਕਰਨ ਨਾਲ ਬਾਅਦ ਵਿੱਚ ਇਹਨਾਂ ਨੂੰ ਲੱਭਣਾ ਨਹੀਂ ਪੈਂਦਾ।
2. ਕੁਝ ਵੀ ਬਦਲਣ ਤੋਂ ਪਹਿਲਾਂ ਜਾਂਚੋ
head ਨਾਲ ਪਹਿਲੀਆਂ ਕਤਾਰਾਂ ਦੇਖੋ, info ਨਾਲ ਕਾਲਮਾਂ ਦੀਆਂ ਕਿਸਮਾਂ ਅਤੇ ਗੈਰ-ਖਾਲੀ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਦੇਖੋ, ਅਤੇ isna ਨੂੰ sum ਨਾਲ ਜੋੜ ਕੇ ਹਰ ਕਾਲਮ ਵਿੱਚ ਗੁੰਮ ਮੁੱਲਾਂ ਦੀ ਗਿਣਤੀ ਦੇਖੋ। ਜੋ ਪਤਾ ਲੱਗੇ ਉਹ ਲਿਖੋ: ਫਰਨਹਿਲ ਵਿੱਚ amount ਟੈਕਸਟ ਵਜੋਂ ਸਟੋਰ ਹੈ ਅਤੇ order_date ਵਿੱਚ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟ ਹਨ।
3. ਲਿਖਤ ਨੂੰ ਇਕਸਾਰ ਕਰੋ
ਕਾਲਮ ਉੱਤੇ ਸਟ੍ਰਿੰਗ ਮੈਥਡ ਵਰਤੋ: str.strip ਸ਼ੁਰੂ ਅਤੇ ਅੰਤ ਦੀਆਂ ਖਾਲੀ ਥਾਵਾਂ ਹਟਾਉਂਦਾ ਹੈ, ਅਤੇ str.lower ਜਾਂ str.title ਵੱਡੇ-ਛੋਟੇ ਅੱਖਰਾਂ ਨੂੰ ਇਕਸਾਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ' Leeds', 'leeds ' ਅਤੇ 'LEEDS' ਇੱਕੋ ਸਥਾਨ ਬਣ ਜਾਣ। ਫਿਰ ਬਾਕੀ ਰਹਿ ਗਏ ਵੱਖਰੇ ਸ਼ਬਦ-ਜੋੜ ਫੜਨ ਲਈ unique ਨਾਲ ਵਿਲੱਖਣ ਮੁੱਲਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।
4. ਅੰਕਾਂ ਨੂੰ ਬਦਲੋ
str.replace ਨਾਲ ਮੁਦਰਾ ਚਿੰਨ੍ਹ ਅਤੇ ਹਜ਼ਾਰਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਵਾਲਾ ਕੌਮਾ ਹਟਾਓ, ਫਿਰ to_numeric ਨਾਲ ਅੰਕਾਂ ਵਿੱਚ ਬਦਲੋ। ਇਸ ਦੇ errors ਆਰਗਿਊਮੈਂਟ ਨੂੰ coerce ਉੱਤੇ ਸੈੱਟ ਕਰਨ ਨਾਲ, ਜਿਸ ਚੀਜ਼ ਨੂੰ ਇਹ ਪੜ੍ਹ ਨਹੀਂ ਸਕਦਾ ਉਸ ਨੂੰ ਪ੍ਰਕਿਰਿਆ ਰੋਕਣ ਦੀ ਬਜਾਏ ਗੁੰਮ ਮੁੱਲ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਕਤਾਰਾਂ ਨੂੰ ਚੁੱਪਚਾਪ ਗੁਆਉਣ ਦੀ ਬਜਾਏ ਗਿਣ ਕੇ ਉਨ੍ਹਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰ ਸਕਦੇ ਹੋ।
5. ਤਾਰੀਖਾਂ ਦਾ ਫਾਰਮੈਟ ਬਦਲੋ
to_datetime ਲਿਖਤ ਨੂੰ ਸਹੀ ਤਾਰੀਖ਼ਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਮਿਲੇ-ਜੁਲੇ ਫਾਰਮੈਟਾਂ ਲਈ, ਜਿੱਥੇ ਹੋ ਸਕੇ ਸਪਸ਼ਟ ਫਾਰਮੈਟ ਦਿਓ, ਜਾਂ ਬਰਤਾਨਵੀ ਢੰਗ ਦੀਆਂ ਤਾਰੀਖ਼ਾਂ ਲਈ dayfirst ਸੈੱਟ ਕਰੋ ਅਤੇ errors ਨੂੰ coerce 'ਤੇ ਸੈੱਟ ਕਰੋ ਤਾਂ ਜੋ ਪੜ੍ਹੀਆਂ ਨਾ ਜਾ ਸਕਣ ਵਾਲੀਆਂ ਤਾਰੀਖ਼ਾਂ NaT ਬਣ ਜਾਣ, ਜੋ pandas ਵਿੱਚ ਗੁੰਮ ਤਾਰੀਖ਼ ਦਾ ਸੰਕੇਤ ਹੈ। ਧਿਆਨ ਰੱਖੋ ਕਿ dayfirst ਇੱਕ ਤਰਜੀਹ ਹੈ, ਸਖ਼ਤ ਨਿਯਮ ਨਹੀਂ, ਇਸ ਲਈ ਨਤੀਜੇ ਜਾਂਚੋ।
6. ਦੁਹਰਾਈਆਂ ਐਂਟਰੀਆਂ ਹਟਾਓ
drop_duplicates ਦੁਹਰਾਈਆਂ ਕਤਾਰਾਂ ਹਟਾਉਂਦਾ ਹੈ। ਮੂਲ ਸੈਟਿੰਗ ਅਨੁਸਾਰ ਕੋਈ ਕਤਾਰ ਤਾਂ ਹੀ ਦੁਹਰਾਈ ਮੰਨੀ ਜਾਂਦੀ ਹੈ ਜੇ ਉਸ ਦੇ ਹਰ ਕਾਲਮ ਦਾ ਮੁੱਲ ਮੇਲ ਖਾਂਦਾ ਹੋਵੇ; ਇਸ ਦਾ subset ਆਰਗੂਮੈਂਟ ਤੁਹਾਨੂੰ order_id ਵਰਗੇ ਚੁਣੇ ਹੋਏ ਕਾਲਮਾਂ ਦੇ ਆਧਾਰ ਉੱਤੇ ਦੁਹਰਾਈ ਪਛਾਣਨ ਦਿੰਦਾ ਹੈ, ਅਤੇ keep ਤੈਅ ਕਰਦਾ ਹੈ ਕਿ ਪਹਿਲੀ ਨਕਲ ਰਹੇਗੀ ਜਾਂ ਆਖ਼ਰੀ।
7. ਬਾਕੀ ਰਹਿ ਗਈਆਂ ਕਮੀਆਂ ਬਾਰੇ ਫ਼ੈਸਲਾ ਕਰੋ
dropna ਗੁੰਮ ਮੁੱਲਾਂ ਵਾਲੀਆਂ ਕਤਾਰਾਂ ਹਟਾਉਂਦਾ ਹੈ, ਪਰ ਮੂਲ ਸੈਟਿੰਗ ਅਨੁਸਾਰ ਇਹ ਕਤਾਰ ਹਟਾ ਦਿੰਦਾ ਹੈ ਜੇ ਕਿਸੇ ਵੀ ਕਾਲਮ ਵਿੱਚ ਮੁੱਲ ਗੁੰਮ ਹੋਵੇ। ਸਿਰਫ਼ ਉਹ ਕਤਾਰਾਂ ਹਟਾਉਣ ਲਈ ਇਸ ਦਾ subset ਆਰਗੂਮੈਂਟ ਵਰਤੋ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਤੁਹਾਡੇ ਲਈ ਅਸਲ ਵਿੱਚ ਲੋੜੀਂਦਾ ਮੁੱਲ, ਜਿਵੇਂ amount, ਗੁੰਮ ਹੋਵੇ, ਜਾਂ ਖਾਲੀ ਥਾਂ ਨੂੰ ਕਿਸੇ ਨਿਰਧਾਰਤ ਮੁੱਲ ਨਾਲ ਭਰਨ ਲਈ fillna ਵਰਤੋ। ਫਿਰ ਕਾਲਮਾਂ ਦੀਆਂ ਅੰਤਿਮ ਡਾਟਾ ਕਿਸਮਾਂ ਤੈਅ ਕਰਨ ਲਈ astype ਵਰਤੋ, ਮਿਸਾਲ ਵਜੋਂ site ਲਈ ਸ਼੍ਰੇਣੀ ਕਿਸਮ।
ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਦਾ ਕਮਜ਼ੋਰ ਅਤੇ ਸੁਧਾਰਿਆ ਹੋਇਆ ਦੌਰ ਕਿਹੋ ਜਿਹਾ ਹੁੰਦਾ ਹੈ?
ਕਮਜ਼ੋਰ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ ਫ਼ਾਈਲ read_csv ਨਾਲ ਲੋਡ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਆਰਗੂਮੈਂਟ ਦੇ dropna ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਬਿਨਾਂ ਕਿਸੇ ਆਰਗੂਮੈਂਟ ਦੇ drop_duplicates ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ। ਕਿਉਂਕਿ ਡਾਕ ਕੋਡ ਅਕਸਰ ਖ਼ਾਲੀ ਹੁੰਦਾ ਹੈ, dropna ਬਹੁਤ ਸਾਰੇ ਵੈਧ ਆਰਡਰ ਹਟਾ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਕਿਉਂਕਿ ' ਲੀਡਜ਼' ਅਤੇ 'ਲੀਡਜ਼ ' ਅਜੇ ਵੀ ਵੱਖਰੇ ਹਨ, ਕੁਝ ਦੁਹਰਾਈਆਂ ਬਚ ਜਾਂਦੀਆਂ ਹਨ। ਆਮਦਨ ਅਸਲ ਨਾਲੋਂ ਬਹੁਤ ਘੱਟ ਨਿਕਲਦੀ ਹੈ, ਅਤੇ ਕਿਸੇ ਨੂੰ ਨਹੀਂ ਪਤਾ ਕਿ ਕਿਹੜੀਆਂ ਕਤਾਰਾਂ ਹਟ ਗਈਆਂ।
ਸੁਧਾਰਿਆ ਸਫ਼ਾਈ-ਚੱਕਰ ਡਾਟਾ ਲੋਡ ਕਰਦੇ ਸਮੇਂ 'N/A' ਅਤੇ '-' ਨੂੰ ਗ਼ੈਰਮੌਜੂਦ ਮੰਨਦਾ ਹੈ, site ਦੇ ਅੱਗੇ-ਪਿੱਛੇ ਦੀਆਂ ਖਾਲੀ ਥਾਵਾਂ ਹਟਾ ਕੇ ਹਰ ਸ਼ਬਦ ਦਾ ਪਹਿਲਾ ਅੱਖਰ ਵੱਡਾ ਕਰਦਾ ਹੈ, '£' ਅਤੇ ਕੌਮੇ ਹਟਾਉਣ ਤੋਂ ਬਾਅਦ to_numeric ਨਾਲ amount ਬਦਲਦਾ ਹੈ, dayfirst ਅਤੇ coerce ਨਾਲ order_date ਬਦਲਦਾ ਹੈ, order_id ਦੇ ਆਧਾਰ ਉੱਤੇ ਦੁਹਰਾਈਆਂ ਹਟਾ ਕੇ ਪਹਿਲੀ ਕਤਾਰ ਰੱਖਦਾ ਹੈ, ਅਤੇ ਸਿਰਫ਼ ਉਹ ਕਤਾਰਾਂ ਹਟਾਉਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ amount ਗ਼ੈਰਮੌਜੂਦ ਹੈ। ਫਿਰ ਇਹ ਛਾਪਦਾ ਹੈ ਕਿ ਹਰ ਪੜਾਅ ਨੇ ਕਿੰਨੀਆਂ ਕਤਾਰਾਂ ਹਟਾਈਆਂ ਅਤੇ ਕੁੱਲ ਆਮਦਨ ਦੀ ਤੁਲਨਾ ਭੁਗਤਾਨ ਸੇਵਾ ਪ੍ਰਦਾਤਾ ਦੀ ਰਿਪੋਰਟ ਨਾਲ ਕਰਦਾ ਹੈ। ਹੁਣ Tomasz ਹਰ ਫ਼ਰਕ ਸਮਝਾ ਸਕਦਾ ਹੈ।
ਤੁਸੀਂ ਕਿਵੇਂ ਜਾਂਚਦੇ ਹੋ ਕਿ ਡਾਟਾ ਦੀ ਸਫ਼ਾਈ ਸਹੀ ਤਰ੍ਹਾਂ ਹੋਈ ਹੈ?
ਡਾਟੇ ਦੀ ਸਫ਼ਾਈ ਦੀ ਜਾਂਚ ਲਈ ਹਰ ਕਦਮ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਕਤਾਰਾਂ ਗਿਣੋ, ਕਿਸੇ ਅਹਿਮ ਕੁੱਲ ਦੀ ਤੁਲਨਾ ਸੁਤੰਤਰ ਸਰੋਤ ਨਾਲ ਕਰੋ, ਅਤੇ ਉਹਨਾਂ ਕਤਾਰਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ ਜਿਨ੍ਹਾਂ ਦੇ ਮੁੱਲ ਬਦਲ ਕੇ ਗੁੰਮ ਮੁੱਲ ਮੰਨੇ ਗਏ ਸਨ। ਕਾਲਮਾਂ ਦੀਆਂ ਕਿਸਮਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ info ਦੁਬਾਰਾ ਚਲਾਓ ਅਤੇ ਸਥਾਨ ਵਰਗੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਸਾਰੇ ਵੱਖਰੇ ਮੁੱਲਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਜੇ ਕਿਸੇ ਕਦਮ ਨੇ ਉਮੀਦ ਨਾਲੋਂ ਵੱਧ ਕਤਾਰਾਂ ਹਟਾਈਆਂ ਹਨ, ਤਾਂ ਅੱਗੇ ਵਧਣ ਤੋਂ ਪਹਿਲਾਂ ਉਹਨਾਂ ਨੂੰ ਵੇਖੋ।
AI ਸਹਾਇਕ pandas ਵਿੱਚ ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ?
ਜੇ ਤੁਸੀਂ ਹਰ ਕਾਲਮ, ਉਸ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਆਪਣਾ ਲੋੜੀਂਦਾ ਨਿਯਮ ਦੱਸੋ, ਤਾਂ AI ਸਹਾਇਕ ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਦੇ ਪੜਾਵਾਂ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਅਣਜਾਣ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਸਮਝਾ ਸਕਦਾ ਹੈ। ਗਾਹਕਾਂ ਦਾ ਅਸਲੀ ਡਾਟਾ, ਜਿਵੇਂ ਨਾਂ, ਪਤੇ ਜਾਂ ਪੂਰੇ ਡਾਕ ਕੋਡ ਪੇਸਟ ਕਰਨ ਦੀ ਥਾਂ, ਬਣਾਵਟੀ ਉਦਾਹਰਨ ਮੁੱਲਾਂ ਨਾਲ ਢਾਂਚਾ ਸਮਝਾਓ। ਇਸ ਨੂੰ ਹਰ ਪੜਾਅ ਤੋਂ ਬਾਅਦ ਕਤਾਰਾਂ ਦੀ ਗਿਣਤੀ ਦੱਸਣ ਲਈ ਕਹੋ, ਅਤੇ ਇਸ ਵੱਲੋਂ ਵਰਤੇ ਹਰ ਫੰਕਸ਼ਨ ਆਰਗੂਮੈਂਟ ਦੀ pandas ਦੇ ਅਧਿਕਾਰਤ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਜਾਂਚ ਕਰੋ, ਕਿਉਂਕਿ ਸਹਾਇਕ ਕਦੇ-ਕਦੇ ਅਜਿਹੇ ਵਿਕਲਪ ਸੁਝਾਉਂਦੇ ਹਨ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੁੰਦੇ ਜਾਂ ਵੱਖ-ਵੱਖ ਸੰਸਕਰਣਾਂ ਵਿੱਚ ਬਦਲ ਗਏ ਹੁੰਦੇ ਹਨ।
ਪਾਂਡਾਸ ਨਾਲ ਡਾਟਾ ਸਾਫ਼ ਕਰਨ ਵੇਲੇ ਆਮ ਗਲਤੀਆਂ ਕਿਹੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ?
ਸਭ ਤੋਂ ਆਮ ਗ਼ਲਤੀ dropna ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਆਰਗਿਊਮੈਂਟ ਦੇ ਚਲਾਉਣਾ ਅਤੇ ਅਜਿਹੀਆਂ ਕਤਾਰਾਂ ਗੁਆ ਦੇਣਾ ਹੈ ਜੋ ਇੱਕ ਵਿਕਲਪਿਕ ਕਾਲਮ ਤੋਂ ਇਲਾਵਾ ਠੀਕ ਸਨ। ਹੋਰ ਗ਼ਲਤੀਆਂ: ਪਾਠ ਨੂੰ ਇੱਕਸਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਦੁਹਰਾਈਆਂ ਐਂਟਰੀਆਂ ਹਟਾਉਣਾ, ਦਿਨ ਅਤੇ ਮਹੀਨੇ ਦਾ ਕ੍ਰਮ ਜਾਂਚੇ ਬਿਨਾਂ ਤਾਰੀਖ਼ਾਂ ਬਦਲਣਾ, ਅਸਲ ਫ਼ਾਈਲ ਦੀ ਥਾਂ ਬਦਲੀ ਹੋਈ ਫ਼ਾਈਲ ਲਿਖ ਦੇਣਾ, ਅਤੇ ਸਾਫ਼ ਕੀਤੇ ਡਾਟੇ ਦੇ ਕੁੱਲ ਦੀ ਕਿਸੇ ਭਰੋਸੇਯੋਗ ਅੰਕੜੇ ਨਾਲ ਕਦੇ ਤੁਲਨਾ ਨਾ ਕਰਨਾ।
ਇਸ ਪਾਠ ਦੀ Tosheo.ai ਵਿੱਚ ਕੀ ਥਾਂ ਹੈ?
ਇਹ ਡਾਟਾ ਵਿਗਿਆਨ ਕੋਰਸ ਦੀ ਡਾਟਾ ਵਿਗਿਆਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਕੋਡ ਦਾ ਪਾਠ ਹੈ। Tosheo.ai ਦਾ ਹਰ ਵਿਸ਼ਾ ਧਾਰਨਾਵਾਂ ਅਤੇ ਬਿਨਾਂ ਕੋਡ ਵਾਲੇ ਅਭਿਆਸ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਕੋਡ ਦੇ ਪਾਠ ਹੋਰ ਡੂੰਘਾਈ ਵਿੱਚ ਸਿੱਖਣ ਦਾ ਵਿਕਲਪਿਕ ਮਾਰਗ ਹਨ: ਸਾਈਨ-ਅੱਪ ਤੋਂ ਬਾਅਦ ਇਸ ਪਾਠ ਦੇ ਪੂਰੇ ਅਮਲੀ ਰੂਪ ਵਿੱਚ ਤੁਸੀਂ ਪਾਈਥਨ ਵਿੱਚ ਪੈਂਡਾਜ਼ ਨਾਲ ਸਫ਼ਾਈ ਦਾ ਹਰ ਪੜਾਅ ਲਿਖਦੇ ਅਤੇ ਚਲਾਉਂਦੇ ਹੋ, ਜਿਸ ਨੂੰ ਸਪਸ਼ਟ ਮੁਲਾਂਕਣ ਮਾਪਦੰਡਾਂ ਅਨੁਸਾਰ ਅੰਕ ਮਿਲਦੇ ਹਨ। ਜੇ ਪਾਈਥਨ ਤੁਹਾਡੇ ਲਈ ਨਵਾਂ ਹੈ, ਤਾਂ ਪਾਈਥਨ ਕੋਰਸ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ। ਇਹ ਅਮਲੀ ਹੁਨਰ ਵਿਕਸਿਤ ਕਰਦਾ ਹੈ; ਇਹ ਨਾ ਤੀਬਰ ਸਿਖਲਾਈ ਕੈਂਪ ਹੈ ਅਤੇ ਨਾ ਨੌਕਰੀ ਦੀ ਗਾਰੰਟੀ।
ਸਰੋਤ ਅਤੇ ਦਾਇਰਾ
pandas ਦਸਤਾਵੇਜ਼: read_csv (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਵਰਤੋਂਕਾਰ ਮਾਰਗਦਰਸ਼ਿਕਾ: ਗੁੰਮ ਡਾਟੇ ਨਾਲ ਕੰਮ ਕਰਨਾ (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਦਸਤਾਵੇਜ਼: DataFrame.dropna (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਦਸਤਾਵੇਜ਼: DataFrame.drop_duplicates (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਦਸਤਾਵੇਜ਼: DataFrame.astype (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਦਸਤਾਵੇਜ਼: to_numeric (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਦਸਤਾਵੇਜ਼: to_datetime (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗
pandas ਦਸਤਾਵੇਜ਼: Series.str.strip (ਜਾਂਚ ਕੀਤੀ: 19 October 2026) ↗