Python Pandas 数据缺失
在现实生活中,缺失数据始终是一个问题。像机器学习和数据挖掘这样的领域,由于缺失值造成的数据质量差,他们的模型预测的准确性面临严重问题。在这些领域,缺失值的处理是一个主要的焦点,以使他们的模型更加准确和有效。
什么时候以及为什么会出现数据缺失
让我们考虑一个产品的在线调查。很多时候,人们并不分享与他们相关的所有信息。少数人分享他们的经验,但不分享他们使用产品的时间;少数人分享他们使用产品的时间,他们的经验,但不分享他们的联系信息。因此,在某种程度上,总有一部分数据缺失,这种情况在实时中非常普遍。
现在让我们看看如何使用Pandas来处理缺失值(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 输出结果 如下 –
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,我们创建了一个有缺失值的DataFrame。在输出中, NaN 意味着 不是一个数字 。
检查缺失值
为了更容易地检测缺失值(以及跨越不同的数组类型),Pandas提供了 isnull() 和 notnull() 函数,这也是系列和DataFrame对象的方法–
例子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()
其 输出 情况如下—
a False
b True
c False
d True
e False
f False
g True
h False
Name: one, dtype: bool
例子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()
其 输出结果 如下 –
a True
b False
c True
d False
e True
f True
g False
h True
Name: one, dtype: bool
有缺失数据的计算方法
- 当对数据进行求和时,NA将被视为零。
- 如果数据都是NA,那么结果将是NA。
例子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()
其 输出结果 如下 –
2.02357685917
例子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()
其 输出结果 如下 –
nan
清理/填补缺失的数据
Pandas提供了各种清理缺失值的方法。fillna函数可以用非空数据 “填充 “缺失值,有几种方法,我们在下面的章节中进行了说明。
用一个标量值替换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)
其 输出结果 如下 –
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
这里,我们填充的是零值;相反,我们也可以填充任何其他值。
向前和向后填充NA
利用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 填充方法 前进 |
2 | bfill/backfill 填充法 向后 |
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')
其 输出结果 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
例子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')
其 输出结果 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
删除缺失值
如果你想简单地排除缺失值,那么请使用 dropna 函数和 axis 参数。默认情况下,axis=0,即沿行,这意味着如果某行内的任何数值是NA,那么整个行都会被排除。
例子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()
其 输出结果 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
例子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)
其 输出结果 如下 –
Empty DataFrame
Columns: [ ]
Index: [a, b, c, d, e, f, g, h]
替换缺失的(或)通用值
很多时候,我们必须用一些特定的值来替换一个通用值。我们可以通过应用替换方法来实现这一点。
用一个标量值替换NA是 fillna() 函数的等效行为。
例子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})
其 输出结果 如下 –
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60
例子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})
其 输出结果 如下 –
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60