Python Pandas - 缺失数据
在现实生活场景中，丢失数据始终是一个问题。 由于缺失值导致数据质量不佳，机器学习和数据挖掘等领域在模型预测的准确性方面面临严重问题。 在这些领域，缺失值处理是使他们的模型更加准确和有效的主要焦点。
何时以及为什么会丢失数据?
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，但不分享他们使用产品的时间； 很少有人分享他们使用该产品的时间、他们的体验，但没有分享他们的联系信息。 因此，总是以某种或其他方式丢失一部分数据，这在实时情况下很常见。
现在让我们看看如何使用 Pandas 处理缺失值（比如 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
它的输出如下 −
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，我们创建了一个缺失值的 DataFrame。 在输出中，NaN 表示不是数字。
检查缺失值
为了更轻松地检测缺失值（以及跨不同的数组 dtype），Pandas 提供了 isnull() 和 notnull() 函数，它们也是 Series 和 数据框对象 −
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
缺少数据的计算
- 对数据求和时，NA 将被视为零
- 如果数据都是NA，那么结果就是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 提供了多种清除缺失值的方法。 fillna 函数可以通过多种方式用非空数据"填充"NA 值，我们将在以下部分进行说明。
将 NaN 替换为标量值
以下程序显示了如何将"NaN"替换为"0"。
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 −
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； 相反，我们也可以填充任何其他值。
向前和向后填充 NA
使用重新索引章节中讨论的填充概念，我们将填充缺失值。
| 序号 | 方法 & Action |
|---|---|
| 1 |
pad/fill 向前填充方法 |
| 2 |
bfill/backfill 向后填充方法 |
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
删除缺失值
如果您想简单地排除缺失值，请使用 dropna 函数和 axis 参数。 默认情况下，axis=0，即沿行，这意味着如果行内的任何值是 NA，则排除整行。
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
很多时候，我们必须用某个特定值替换一个通用值。 我们可以通过应用 replace 方法来实现。
将 NA 替换为标量值是 fillna() 函数的等效行为。
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
