Pandas缺失值处理
精华
小牛编辑
194浏览
2023-03-14
在一些数据分析业务中,数据缺失是我们经常遇见的问题,缺失值会导致数据质量的下降,从而影响模型预测的准确性,这对于机器学习和数据挖掘影响尤为严重。因此妥善的处理缺失值能够使模型预测更为准确和有效。
其实在很多时候,人们往往不愿意过多透露自己的信息。假如您正在对用户的产品体验做调查,在这个过程中您会发现,一些用户很乐意分享自己使用产品的体验,但他是不愿意透露自己的姓名和联系方式;还有一些用户愿意分享他们使用产品的全部经过,包括自己的姓名和联系方式。因此,总有一些数据会因为某些不可抗力的因素丢失,这种情况在现实生活中会经常遇到。
稀疏数据的来源与产生原因有很多种,大致归为以下几种:
为什么会存在缺失值?
前面章节的示例中,我们遇到过很多 NaN 值,关于缺失值您可能会有很多疑问,数据为什么会丢失数据呢,又是从什么时候丢失的呢?通过下面场景,您会得到答案。其实在很多时候,人们往往不愿意过多透露自己的信息。假如您正在对用户的产品体验做调查,在这个过程中您会发现,一些用户很乐意分享自己使用产品的体验,但他是不愿意透露自己的姓名和联系方式;还有一些用户愿意分享他们使用产品的全部经过,包括自己的姓名和联系方式。因此,总有一些数据会因为某些不可抗力的因素丢失,这种情况在现实生活中会经常遇到。
什么是稀疏数据?
稀疏数据,指的是在数据库或者数据集中存在大量缺失数据或者空值,我们把这样的数据集称为稀疏数据集。稀疏数据不是无效数据,只不过是信息不全而已,只要通过适当的方法就可以“变废为宝”。稀疏数据的来源与产生原因有很多种,大致归为以下几种:
- 由于调查不当产生的稀疏数据;
- 由于天然限制产生的稀疏数据;
- 文本挖掘中产生的稀疏数据。
缺失值处理
那么 Pandas 是如何处理缺失值的呢,下面让我们一起看一下。import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f','h']) df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h']) print(df)输出结果:
0 1 2 a 0.187208 -0.951407 0.316340 b NaN NaN NaN c -0.365741 -1.983977 -1.052170 d NaN NaN NaN e -1.024180 1.550515 0.317156 f -0.799921 -0.686590 1.383229 g NaN NaN NaN h -0.207958 0.426733 -0.325951上述示例,通过使用 reindex(重构索引),我们创建了一个存在缺少值的 DataFrame 对象。
检查缺失值
为了使检测缺失值变得更容易,Pandas 提供了 isnull() 和 notnull() 两个函数,它们同时适用于 Series 和 DataFrame 对象。import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f','h']) df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h']) print(df['noe'].isnull())输出结果:
a False b True c False d True e False f False g True h False Name: 1, dtype: boolnotnull() 函数,使用示例:
import pandas as pd import numpy as np df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f','h']) df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h']) print df['one'].notnull()输出结果:
a True b False c True d False e True f True g False h True Name: 1, dtype: bool
缺失数据计算
计算缺失数据时,需要注意两点:首先数据求和时,将 NA 值视为 0 ,其次,如果要计算的数据为 NA,那么结果就是 NA。示例如下: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()) print()输出结果:
3.4516595395128
清理并填充缺失值
Pandas 提供了多种方法来清除缺失值。fillna() 函数可以实现用非空数据“填充”NaN 值。1) 用标量值替换NaN值
下列程序将 NaN 值 替换为了 0,如下所示: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) #用 0 填充 NaN print (df.fillna(0))输出结果:
one two three a 1.497185 -0.703897 -0.050513 b NaN NaN NaN c 2.008315 1.342690 -0.255855 one two three a 1.497185 -0.703897 -0.050513 b 0.000000 0.000000 0.000000 c 2.008315 1.342690 -0.255855当然根据您自己的需求,您也可以用其他值进行填充。
2) 向前和向后填充NA
在《 Pandas reindex重建索引》一节,我们介绍了 ffill() 向前填充和 bfill() 向后填充,使用这两个函数也可以处理 NA 值。示例如下: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='ffill')输出结果:
one two three a 0.871741 0.311057 0.091005 b 0.871741 0.311057 0.091005 c 0.107345 -0.662864 0.826716 d 0.107345 -0.662864 0.826716 e 1.630221 0.482504 -0.728767 f 1.283206 -0.145178 0.109155 g 1.283206 -0.145178 0.109155 h 0.222176 0.886768 0.347820或者您也可以采用向后填充的方法。
3) 使用replace替换通用值
在某些情况下,您需要使用 replace() 将 DataFrame 中的通用值替换成特定值,这和使用 fillna() 函数替换 NaN 值是类似的。示例如下:import pandas as pd import numpy as np df = pd.DataFrame({'one':[10,20,30,40,50,666], 'two':[99,0,30,40,50,60]}) #使用replace()方法 print (df.replace({99:10,666:60,0:20}))输出结果:
one two 0 10 10 1 20 20 2 30 30 3 40 40 4 50 50 5 60 60
删除缺失值
如果想删除缺失值,那么使用 dropna() 函数与参数 axis 可以实现。在默认情况下,按照 axis=0 来按行处理,这意味着如果某一行中存在 NaN 值将会删除整行数据。示例如下: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) #删除缺失值 print (df.dropna())输出结果:
one two three a -2.025435 0.617616 0.862096 b NaN NaN NaN c -1.710705 1.780539 -2.313227 d NaN NaN NaN e -2.347188 -0.498857 -1.070605 f -0.159588 1.205773 -0.046752 g NaN NaN NaN h -0.549372 -1.740350 0.444356 one two three a -2.025435 0.617616 0.862096 c -1.710705 1.780539 -2.313227 e -2.347188 -0.498857 -1.070605 f -0.159588 1.205773 -0.046752 h -0.549372 -1.740350 0.444356axis = 1 表示按列处理,处理结果是一个空的 DataFrame 对象。