Python - 数据清理

在现实生活中，缺失数据始终是一个问题。机器学习和数据挖掘等领域面临着模型预测准确性的严重问题，因为缺失值导致数据质量低下。在这些领域，缺失值处理是使他们的模型更准确和有效的主要关注点。

何时以及为何会丢失数据？

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。很少有人分享他们的经验，但不会分享他们使用产品的时间；很少有人分享他们使用产品的时间和经验，但不会分享他们的联系信息。因此，总有一部分数据会以某种方式缺失，这在实时情况下非常常见。

现在让我们看看如何使用 Pandas 处理缺失值（例如 NA 或 NaN）。

# 导入 pandas 库
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 −

         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，我们创建了一个具有缺失值的 DataFrame。在输出中，NaN 表示 不是数字。

检查缺失值

为了使检测缺失值更容易（并且跨不同的数组 dtypes），Pandas 提供了 isnull() 和 notnull() 函数，它们也是 Series 和 DataFrame 对象上的方法 −

示例

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()

其输出如下 −

a  False
b  True
c  False
d  True
e  False
f  False
g  True
h  False
Name: one, dtype: bool

清理/填充缺失数据

Pandas 提供了多种清理缺失值的方法。 fillna 函数可以通过几种方式用非空数据"填充" NA 值，我们将在以下部分中进行说明。

用标量值替换 NaN

以下程序展示了如何用"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

在这里，我们用零值填充；我们也可以用任何其他值填充。

向前和向后填充 NA

使用"重新索引"一章中讨论的填充概念，我们将填充缺失值。

示例

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

删除缺失值

如果您只想排除缺失值，则使用 dropna 函数和 axis 参数。默认情况下，axis=0，即沿行，这意味着如果行中的任何值为 NA，则整行将被排除。

示例

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

替换缺失（或）通用值

很多时候，我们必须用某个特定值替换通用值。我们可以通过应用 replace 方法来实现这一点。

用标量值替换 NA 相当于 fillna() 函数的行为。

示例

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})

其输出如下 −

   one  two
0   10   10
1   20    0
2   30   30
3   40   40
4   50   50
5   60   60