Python Pandas 数据缺失

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

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()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()

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()

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()

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()

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)

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')

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')

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()

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)

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})

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})

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

Python教程

Java教程

Web教程

数据库教程

图形图像教程

大数据教程

开发工具教程

计算机教程