一、前言
在个人理解中，首先我们拿到一份数据后会经过以下几个流程：
1.清除数据的重复值
2.填充数据中的NULL值，空值
3.清洗数据中带有异常符号的值（最为困难）
4.更改数据类型
5.重建数据的索引
因此，我打算从这四个方面总结以下我们常用的函数。
1.1查看重复值
1.DataFrame.duplicated()
这个函数可以查看行与行间是否具有重复值，返回布尔值
如果是DataFrame.duplicated([‘v1’])，
如果指定v1列，则是查看v1列的重复值；也可以传入多个列
2.DataFrame.drop_duplicates()
删除行与行的重复值；同样可以指定删除某列或多列的重复值，它的一个参数为keep=‘last’，即保留最后的一个重复值。
1.2填充数据中的NULL值，空值
1.查看缺失值isnull()，notnull()
对于DataFrame对象
DataFrame对象使用i是null（）我发现没什么用，除非每一行都是nan值，我们才有用
接下来我们看下Series中的isnull（）
很明显，我们可以得到一列的布尔值，基于此布尔值，我们就可以对df对象或者Series对象进行过滤nan值（后面会说到）
2.既然我们知道了nan在哪，我们就有两种思路，一种是直接删除，一种是填充。我们先说删除的方法。
2.1一种是使用dropna（），默认按列删除
在df对象中，使用有两个参数how和axis
我们对data新增加了一列
axis=0,表示删除有nan值的行
axis=0,表示删除有nan值的列
how = ‘all’表示删除行中所有值都为nan的行
另一种清除缺失值的方法是使用布尔值进行清除过滤，如
data[data[‘K2’].notnull()，但不常用。
2.2 另一种是填充缺失值fillna()方法
这种方法也就是骗骗小白，因为在一份数据中，我不可能对于所有的nan值都用同样的值填充，对于数值型的数据，我们可以用均值，中位数，众数或者插值或者向前，向后方法填充，而对于object对象我们更多采用向前，向后方法填充，当然object对象对于缺失值填充还是比较困难的，这里只是为了演示向前，向后填充的方法。在实际中，我们更多的是对数值型数据进行填充。