极客教程Python Pandas 缺失数据
在现实生活场景中缺失数据一直是一个问题。像机器学习和数据挖掘这样的领域，由于缺失值导致的数据质量不佳，其模型预测的准确性面临严重问题。在这些领域中，缺失值处理是一个重要的关注点，以使模型更准确和有效。
何时和为什么会缺失数据
让我们考虑一个产品的在线调查。很多时候，人们不会分享与他们相关的所有信息。有些人分享他们的经验，但不会分享他们使用产品的时间；有些人分享他们使用产品的时间，他们的经验，但不会分享他们的联系信息。因此，在某种或另一种方式上，数据的一部分总是缺失的，这在实时中非常常见。
现在让我们看看如何使用Pandas处理缺失值（例如NA或NaN）。
# import the pandas library
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df
其输出如下所示：
one two three
a 0.077988 0.476149 0.965836
b NaN NaN NaN
c -0.390208 -0.551605 -2.301950
d NaN NaN NaN
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
g NaN NaN NaN
h 0.085100 0.532791 0.887415
使用重新索引，我们创建了一个包含缺失值的DataFrame。在输出中， NaN 表示 不是一个数字 。
检查缺失值
为了更容易地检测缺失值（并且跨不同的数组数据类型），Pandas提供了 isnull() 和 notnull() 函数，它们也是Series和DataFrame对象的方法。
示例1
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df['one'].isnull()
它的 输出 如下−
a False
b True
c False
d True
e False
f False
g True
h False
Name: one, dtype: bool
示例2
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df['one'].notnull()
它的 输出 如下：
a True
b False
c True
d False
e True
f True
g False
h True
Name: one, dtype: bool
缺失数据的计算
- 在对数据求和时，NA将被视为零
- 如果数据全部为NA，则结果将为NA
示例1
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df['one'].sum()
它的 输出 如下：
2.02357685917
示例2
import pandas as pd
import numpy as np
df = pd.DataFrame(index=[0,1,2,3,4,5],columns=['one','two'])
print df['one'].sum()
它的 输出 如下 −
nan
清理/填充缺失数据
Pandas提供了各种方法来清理缺失值。fillna函数可以用一些方式来“填充”NA值，我们在下面的部分中进行了解释。
用标量值替换NaN
下面的程序展示了如何用“0”替换“NaN”。
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(3, 3), index=['a', 'c', 'e'],columns=['one',
'two', 'three'])
df = df.reindex(['a', 'b', 'c'])
print df
print ("NaN replaced with '0':")
print df.fillna(0)
它的 输出 如下所示 –
one two three
a -0.576991 -0.741695 0.553172
b NaN NaN NaN
c 0.744328 -1.735166 1.749580
NaN replaced with '0':
one two three
a -0.576991 -0.741695 0.553172
b 0.000000 0.000000 0.000000
c 0.744328 -1.735166 1.749580
在这里，我们用零值填充；而我们也可以用任何其他值填充。
向前和向后填充NA
使用ReIndexing章节中讨论的填充概念，我们将填充缺失的值。
| 序号 | 方法和行动 |
|---|---|
| 1 | pad/fill 前向填充方法 |
| 2 | bfill/backfill 后向填充方法 |
示例1
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.fillna(method='pad')
它的 输出 如下：
one two three
a 0.077988 0.476149 0.965836
b 0.077988 0.476149 0.965836
c -0.390208 -0.551605 -2.301950
d -0.390208 -0.551605 -2.301950
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
g -0.930230 -0.670473 1.146615
h 0.085100 0.532791 0.887415
示例2
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.fillna(method='backfill')
它的 输出 如下 –
one two three
a 0.077988 0.476149 0.965836
b -0.390208 -0.551605 -2.301950
c -0.390208 -0.551605 -2.301950
d -2.000303 -0.788201 1.510072
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
g 0.085100 0.532791 0.887415
h 0.085100 0.532791 0.887415
丢弃缺失值
如果你只想排除缺失值，那么可以使用 dropna 函数以及 axis 参数。默认情况下，axis=0，即按行排除，这意味着如果一行中任何一个值是NA，则整行都被排除。
示例1
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.dropna()
它的 输出 如下：
one two three
a 0.077988 0.476149 0.965836
c -0.390208 -0.551605 -2.301950
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
h 0.085100 0.532791 0.887415
示例2
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.dropna(axis=1)
它的 输出 如下：
Empty DataFrame
Columns: [ ]
Index: [a, b, c, d, e, f, g, h]
替换缺失（或）通用值
许多时候，我们需要将一个通用值替换为某个特定的值。我们可以通过使用replace方法来实现这一点。
将NA替换为一个标量值等效于 fillna() 函数的行为。
示例1
import pandas as pd
import numpy as np
df = pd.DataFrame({'one':[10,20,30,40,50,2000], 'two':[1000,0,30,40,50,60]})
print df.replace({1000:10,2000:60})
它的 输出 如下：
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60
示例2
import pandas as pd
import numpy as np
df = pd.DataFrame({'one':[10,20,30,40,50,2000], 'two':[1000,0,30,40,50,60]})
print df.replace({1000:10,2000:60})
它的 输出 如下：
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60