Lab: Clean Messy Data

ในแล็บนี้คุณจะได้ข้อมูลที่ “เละ” สุดๆ และต้อง clean ให้พร้อมวิเคราะห์ นี่คือสถานการณ์ที่พบได้จริงในทุกวัน

สร้างข้อมูลเละๆ

import pandas as pd

messy = pd.DataFrame({
    "name":    ["  Alice ", " BOB", "charlie  ", None, " Diana "],
    "city":    ["กทม.", "กทม", "กรุงเทพ", "เชียงใหม่ ", "กรุงเทพฯ"],
    "zipcode": ["10100", "1020", "10300", "50000", "104"],
    "salary":  ["50000", "N/A", "45000", "62000", "ไม่ระบุ"],
    "active":  ["yes", "YES", "no", "Yes", None]
})

Clean ชื่อ — strip whitespace, title case, fill missing
Normalize เมือง — รวม “กทม.”, “กทม”, “กรุงเทพ”, “กรุงเทพฯ” เป็นค่าเดียว
ซ่อม zipcode — เติม 0 ให้ครบ 5 หลัก
แปลง salary — เป็น numeric, ค่าที่แปลงไม่ได้ → NaN
Normalize active — แปลง yes/YES/Yes → True, no → False, None → False
ตรวจสอบผลลัพธ์ — ใช้ .info() และ .isna().sum() ยืนยันว่า clean แล้ว

เฉลย

Show Solution

import pandas as pd

# Step 2: Clean ชื่อ
messy["name"] = messy["name"].str.strip().str.title()
messy["name"] = messy["name"].fillna("Unknown")

# Step 3: Normalize เมือง
messy["city"] = messy["city"].str.strip()
messy["city"] = messy["city"].str.replace(
    r"กทม\.?|กรุงเทพฯ?", "กรุงเทพมหานคร", regex=True
)

# Step 4: ซ่อม zipcode
messy["zipcode"] = messy["zipcode"].str.zfill(5)

# Step 5: แปลง salary
messy["salary"] = pd.to_numeric(messy["salary"], errors="coerce")

# Step 6: Normalize active
messy["active"] = (
    messy["active"]
    .str.lower()
    .map({"yes": True, "no": False})
    .fillna(False)
)

# Step 7: ตรวจสอบ
print(messy)
print(messy.dtypes)
print(messy.isna().sum())
messy.info()