用python 写出数据清理的代码 有患者的姓名、性别、年龄，以及检测结果，去除一些不完整的数据

在Python中，数据清理是一个关键步骤，特别是在处理可能存在缺失值或异常值的医疗数据时。这里有一个基本的例子，假设我们使用pandas库来操作数据：

import pandas as pd

# 假设df是包含患者信息的数据框
data = {
    '姓名': ['张三', '', '李四', '王五'],
    '性别': ['男', '女', '未知', '男'],
    '年龄': [30, None, 45, 50],
    '检测结果': ['正常', '异常', np.nan, '阳性']
}

# 创建DataFrame
df = pd.DataFrame(data)

# 数据清理步骤：
# 1. 检查缺失值
print(df.isnull().sum())  # 查看每列是否有缺失值

# 2. 删除行（替换或删除）
# 对于姓名和性别这类非数值型字段，可以选择填充特定值（如"未知"）或者直接删除含有缺失值的行
df = df.dropna(subset=['姓名', '性别'])  # 如果想要保留空字符串，可以用pd.Series.fillna()方法

# 对于数值型字段（如年龄和检测结果），可以设定合理的默认值（如0岁或'未测试'），或者根据业务含义填充
df['年龄'].fillna(0, inplace=True)  
df['检测结果'].fillna('未测试', inplace=True)

# 或者使用dropna()方法同时删除所有列如果有缺失值
df = df.dropna()

# 3. 错误值处理
# 可能需要检查检测结果列的异常值，例如转换成布尔值或其他合理范围
df['检测结果'] = df['检测结果'].str.lower()  # 转换为小写便于后续处理
df['检测结果'] = df['检测结果'].replace(['异常', '阳性的'], True).replace(['正常', '未测试'], False)  # 将异常标记为True，正常为False

# 最后，你可以打印清理后的数据帧查看结果
print(df)