脏数据清洗需组合策略而非一键函数：用dropna()、str.replace()、astype()和布尔索引处理空值、HTML标签、类型转换及重复数据，关键在预处理、分步验证与人工判断。
脏数据清洗不是靠“一键函数”解决的，而是靠组合策略+针对性判断。Pandas 本身没有 clean_data() 这种万能函数，但用好 dropna()、str.replace()、astype() 和布尔索引，90% 的爬虫脏数据（空值、乱码、重复、格式混杂）能在 10 分钟内理出可用结构。
空值和空白字符串怎么统一处理？
爬虫常把缺失字段填成空字符串 ""、" " 或 None，而 dropna() 默认只删 NaN，对空串完全无视——这是最常踩的坑。
- 先用
df.replace(r'^\s*$', pd.NA, regex=True)把所有纯空白（含空格、制表符、换行）转为pd.NA - 再统一用
df.dropna(subset=["title", "price"], how="any")按关键列删行（别盲目how="all"，容易留一堆空行） - 注意：如果某列是数值型但含空串，
astype(float)会直接报错ValueError: could not convert string to float，必须先转NA
字符串里混着 HTML 标签、换行符、不可见字符怎么办？
爬虫抓到的文本经常带 <br>、\n、\u200b（零宽空格）等，用 str.strip() 是不够的，得先清洗再规整。
- 用
df["desc"].str.replace(r'<[^>]+>', '', regex=True)去 HTML 标签（别用正则<.*>，会跨标签误删） - 用
df["desc"].str.replace(r'[\r\n\t\u200b\u200c\u200d]+', ' ', regex=True)合并所有控制字符为单空格 - 最后补一句
.str.strip().replace('', pd.NA)，防止只剩空格还留在字段里
价格、日期这类字段怎么安全转类型？
astype(int) 或 pd.to_datetime() 遇到脏值（如 "¥1,299.00"、"2024/03/xx"）会直接崩，必须预处理。
立即学习“Python免费学习笔记（深入）”；
- 价格字段：先
df["price"].str.replace(r'[^\d.]', '', regex=True)只留数字和小数点，再pd.to_numeric(..., errors="coerce")——errors="coerce"是关键，它把转不出的全变NaN，而不是中断 - 日期字段：优先用
pd.to_datetime(df["date"], format="mixed", errors="coerce")（Pandas 2.0+ 支持format="mixed"），比硬写%Y-%m-%d更鲁棒；旧版本就分两步：先str.extract(r'(\d{4}-\d{2}-\d{2})')提取标准格式，再转 - 别在转类型后立刻
dropna()——先看df["price"].isna().sum()，确认异常比例，再决定是修复还是剔除
重复数据怎么判重才不丢信息？
单纯用 df.duplicated() 很危险：标题相同但价格不同（促销价 vs 日常价）、同一商品多条抓取（不同时间戳）可能被误删。
- 明确去重维度：
df.drop_duplicates(subset=["product_id"], keep="last")比subset=["title"]更可靠 - 如果没唯一 ID，用组合键：
subset=["title", "brand", "price"]，但要先确保这三列已清洗干净（否则"Apple" vs "apple "算不同） - 用
df.duplicated(keep=False)先标记所有重复行，人工抽样检查几组，再执行删除——批量操作前留个验证环节，省得返工
真正耗时的从来不是写代码，而是判断哪一列该留、哪一列该砍、异常值是噪音还是信号。清洗脚本跑完后，务必用 df.info() 和 df.sample(5).to_dict("records") 快速扫一眼真实数据长什么样，而不是只信 shape 数字。
