第04章 专科门诊：类型与异常

第04章 专科门诊：类型与异常

章节摘要：内科清完缺失与重复，病人的疑难杂症转专科。本章三个专科：类型科治"数字变字符串"的血型病（第01章埋的病灶在此结案），影像科判异常值的性质（真离群还是录错），整形科做字符串与规范化（空格、大小写、格式统一）。

一条主线

还是那份销售明细。内科出院时它已无缺失无重复，但金额列仍混着字符串'880'，日期格式三种并存，门店名一会儿"A店"一会儿"a店"。专科门诊的任务是让它达到"可计算、可比较、可合并"的出院标准——特别是可合并，第06章的merge对键的格式极其挑剔，这边差一个空格，那边就对不上一条。本章是查体阶段的最后一站，过了这关，数据才真正"健康"。

沿途站点

4-1 数据类型的转科单

astype与to_numeric的正规转科流程，errors参数的三种态度，category血型的省内存红利，以及转科失败的典型病例。

4-2 异常值的影像判定

describe与分位数先看片，IQR与Z分数两种判读标准，判异常之后的三条出路（修、留、标）——异常值处理是业务判断题，不是纯技术题。

4-3 字符串与规范化处置

str访问器全家、正则提取、strip去空格、统一大小写，最后给出一张出院前的规范化清单。

拐点与结论

本章的认知拐点在4-2：异常值不等于错误值。一笔12万的订单可能是录错（多打一个零），也可能是真大单。技术手段只能"标记可疑"，定性必须回到业务语境。读完本章，你应当能够：

• 把object的数字列安全转回数值，并解释errors='coerce'的代价
• 说出category类型的适用条件与它对groupby排序的影响
• 用IQR与Z分数两套标准圈出可疑值，并说明各自适用场景
• 对异常值做出修、留、标三种处置并能陈述理由
• 用str访问器与正则完成文本列的清洗与提取

前置与延伸

前置：第03章的缺失处置（转科产生的NaN要回那条流程）、第02章的布尔筛选（圈可疑值用）。延伸：category血型对分组排序的影响在5-1兑现；离群标记列如何进入报告口径在5-2讨论；字符串键的规范化直接决定6-1的merge质量。本章练习建议拿一张真实的脏表做"出院改造"，把三科的器械各用一遍，改造前后各出一次describe对比，效果立竿见影。

下一章的接力

三科看完，病人拿到出院许可，进入报告环节：第05章的分组与会诊把明细压缩成指标。类型科定好的category血型，将直接影响分组报告的排序与体积。

本章考核知识点清单

三科的出科考卷：用to_numeric配coerce完成脏列转科并复核静默NaN；说出category类型的三个红利与适用条件；用describe的均值中位数背离识别偏态；用IQR与Z分数各圈一次可疑值并解释差异；对异常值执行修、留、标三种处置并陈述理由；用str访问器完成strip、映射、提取、拆列四类操作；说明regex=False的使用时机；背诵出院三标准——可计算、可比较、可合并。查体阶段的全部功夫到此验收，任何一条不过关，第06章合并时都会以"对不上的键"形式补考。