【Python征稿】清理5000条评论数据，讲讲我踩过的坑和收获

这次整理电商评论数据，本来只是想把空值清掉再做分词。真正跑完检查才发现，直接删掉所有含空值的行会把5000条记录压到999条，问题根本不在评论正文，而在一些这次用不到的辅助字段。下面把这次从检查到导出的过程记下来。

一、这次为什么先做清洗

这次整理的是一份电商评论表，原表有5000条记录、10个字段，后面要拿正文做分词和情感分析。导入后先用shape和isna().sum()检查，发现正文为空4条、评分为空3条，同时有不少地点、时间等辅助字段为空。若把所有含空值的行一次性删掉，5000条只会剩999条；这显然不是正文分析需要的结果。

二、我先把“全表删空值”停下来

用df.dropna()做对比时，评论正文其实并不是主要的缺失来源。地点字段缺失3260条、成员字段缺失1860条、时间字段缺失1706条，但这些字段并不参与这次文本分析。真正需要处理的只有正文、评分和情感标签三列。因此后面改成了按列处理：正文为空删行，评分缺失才考虑补齐，标签缺失才标记unknown。

三、正文空值和评分空值不能混着处理

正文先fillna('')，再用正则把换行和连续空格合并。处理后仍为空的4条记录直接删除；没有正文就没有后续分词输入。评分用pd.to_numeric转换后，原表里有3个缺失值；但这3条刚好都落在被删除的空正文记录里，所以过滤正文后评分待补齐数变成0。代码仍保留中位数补齐分支，便于后续换数据时直接复用。

四、最后一处问题是重复评论

空正文过滤后剩4996条。我再按content去重，保留第一次出现的文本，删除483条重复记录，最终得到4513条可用于分析的评论。去重放在文本清洗之后，是为了避免同一句评论只是换行或多了空格却没有被识别出来。导出的CSV使用UTF-8 with BOM，直接用Excel打开不会乱码。

清洗后的结果

这次最直观的收获是：缺失值不能一把梭。全表dropna把5000条压到999条，损失的是仍有完整正文的可用样本；按字段处理后，最终保留4513条。真正应该记录的不是“用了fillna”，而是每种处理对应的字段、数量和理由。后面做词频、主题或分类模型时，也可以通过rating_was_missing等标记列回查补齐过的数据。

五、关键代码与复现方法

1. """评论表缺失值处理：删除、统计量补齐、显式标记三种方法。"""
   
2. from pathlib import Path
   
3. import pandas as pd
   
4. 
   
5. INPUT = Path('京东小米评论集.xlsx')
   
6. OUTPUT = Path('comments_clean.csv')
   
7. 
   
8. def report(stage, frame):
   
9.     print(f'\n[{stage}] rows={len(frame)}')
   
10.     print('空正文：', int(frame['content'].eq('').sum()))
    
11.     print('评分缺失：', int(frame['rating'].isna().sum()))
    
12.     print('标签缺失：', int(frame['sentiment'].isna().sum()))
    
13. 
    
14. # 1. 读取后先标准化字段；rating 使用实际表中的第4列，避免中文列名编码差异。
    
15. raw = pd.read_excel(INPUT)
    
16. print('原表行数：', len(raw))
    
17. print('整表 dropna 后行数（仅作对比）：', len(raw.dropna()))
    
18. data = pd.DataFrame({
    
19.     'content': raw['content'].fillna('').astype(str).str.replace(r'\s+', ' ', regex=True).str.strip(),
    
20.     'rating': pd.to_numeric(raw.iloc[:, 3], errors='coerce'),
    
21.     'sentiment': raw['content_type'].astype('string'),
    
22. })
    
23. report('原始检查', data)
    
24. 
    
25. # 方法一：正文为空没有文本分析价值，删除；不要对整张表无差别 dropna。
    
26. data = data.loc[data['content'].ne('')].copy()
    
27. print('删除空正文后：', len(data))
    
28. 
    
29. # 方法二：评分是数值字段，用中位数补齐，并留下补齐标记便于回溯。
    
30. data['rating_was_missing'] = data['rating'].isna()
    
31. rating_median = data['rating'].median()
    
32. data['rating'] = data['rating'].fillna(rating_median)
    
33. print('评分中位数：', rating_median)
    
34. print('补齐评分条数：', int(data['rating_was_missing'].sum()))
    
35. 
    
36. # 方法三：标签为空时显式标记 unknown，而不是猜测正面或负面。
    
37. data['sentiment_was_missing'] = data['sentiment'].isna()
    
38. data['sentiment'] = data['sentiment'].fillna('unknown').str.strip()
    
39. data.loc[data['sentiment'].eq(''), 'sentiment'] = 'unknown'
    
40. 
    
41. # 最后按正文去重；keep='first' 保留首次出现的记录。
    
42. before_dedup = len(data)
    
43. data = data.drop_duplicates(subset=['content'], keep='first').reset_index(drop=True)
    
44. print('删除重复正文条数：', before_dedup - len(data))
    
45. report('清洗完成', data)
    
46. 
    
47. # 输出时保留两列标记，之后可单独分析“补齐数据”是否影响结论。
    
48. data.to_csv(OUTPUT, index=False, encoding='utf-8-sig')
    
49. print(f'已保存：{OUTPUT.resolve()}')

复制代码

六、运行结果与观察重点

图里能直接看到：空正文只有4条、评分缺失3条，重复正文却有486条。这个差异也说明这次清洗的重点不该放在一键删空值，而要放在正文筛选和文本去重上。

file:///C:/Users/wxy/AppData/Local/Temp/ksohtml34564/wps1.jpg

图：原始评论表中的空值与重复值检查

七、设计结论

这次清洗最终保留4513条评论。和整表dropna只剩999条相比，按字段处理保住了大部分有正文的样本，也把真正无效的空文本和重复文本清掉了。

八、结束语

给刚开始用pandas的同学一个提醒：不要一打开文件就写dropna()。先跑一遍df.info()和isna().sum()，看清楚到底是哪一列在缺、这一列还要不要用，再决定删、填还是保留未知值。

九、关键词

pandas；缺失值；数据清洗；评论数据；数据质量