Pandas 缺失数据处理的实现

更新时间：2020-08-05 20:06:01 作者：startmvc

数据丢失(缺失)在现实生活中总是一个问题。机器学习和数据挖掘等领域由于数据缺失导致

数据丢失(缺失)在现实生活中总是一个问题。机器学习和数据挖掘等领域由于数据缺失导致的数据质量差，在模型预测的准确性上面临着严重的问题。在这些领域，缺失值处理是使模型更加准确和有效的重点。

使用重构索引(reindexing)，创建了一个缺少值的DataFrame。在输出中，NaN表示不是数字的值。

一、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dtype)，Pandas提供了isnull()和notnull()函数，它们也是Series和DataFrame对象的方法

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)
print('\n')

print (df['one'].isnull())

输出结果：

one two three a 0.036297 -0.615260 -1.341327 b NaN NaN NaN c -1.908168 -0.779304 0.212467 d NaN NaN NaN e 0.527409 -2.432343 0.190436 f 1.428975 -0.364970 1.084148 g NaN NaN NaN h 0.763328 -0.818729 0.240498

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())

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

二、缺少数据的计算

在求和数据时，NA将被视为0
如果数据全部是NA，那么结果将是NA

实例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)
print('\n')

print (df['one'].sum())

输出结果：

one two three a -1.191036 0.945107 -0.806292 b NaN NaN NaN c 0.127794 -1.812588 -0.466076 d NaN NaN NaN e 2.358568 0.559081 1.486490 f -0.242589 0.574916 -0.831853 g NaN NaN NaN h -0.328030 1.815404 -1.706736

0.7247067964060545

示例2


import pandas as pd

df = pd.DataFrame(index=[0,1,2,3,4,5],columns=['one','two'])

print(df)
print('\n')

print (df['one'].sum())

输出结果：

one two 0 NaN NaN 1 NaN NaN 2 NaN NaN 3 NaN NaN 4 NaN NaN 5 NaN NaN

0

三、填充缺少数据

Pandas提供了各种方法来清除缺失的值。fillna()函数可以通过几种方法用非空数据“填充”NA值。

用标量值替换NaN

以下程序显示如何用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('\n')

print ("NaN replaced with '0':")
print (df.fillna(0))

输出结果：

one two three a -0.479425 -1.711840 -1.453384 b NaN NaN NaN c -0.733606 -0.813315 0.476788

NaN replaced with '0': one two three a -0.479425 -1.711840 -1.453384 b 0.000000 0.000000 0.000000 c -0.733606 -0.813315 0.476788

在这里填充零值; 当然，也可以填写任何其他的值。

替换丢失(或)通用值

很多时候，必须用一些具体的值取代一个通用的值。可以通过应用替换方法来实现这一点。用标量值替换NA是fillna()函数的等效行为。

示例


import pandas as pd

df = pd.DataFrame({'one':[10,20,30,40,50,2000],'two':[1000,0,30,40,50,60]})

print(df)
print('\n')

print (df.replace({1000:10,2000:60}))

输出结果：

one two 0 10 1000 1 20 0 2 30 30 3 40 40 4 50 50 5 2000 60

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

填写NA前进和后退

使用重构索引章节讨论的填充概念，来填补缺失的值。

方法	动作
pad/fill	填充方法向前
bfill/backfill	填充方法向后

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)
print('\n')

print (df.fillna(method='pad'))

输出结果：

one two three a -0.023243 1.671621 -1.687063 b NaN NaN NaN c -0.933355 0.609602 -0.620189 d NaN NaN NaN e 0.151455 -1.324563 -0.598897 f 0.605670 -0.924828 -1.050643 g NaN NaN NaN h 0.892414 -0.137194 -1.101791

one two three a -0.023243 1.671621 -1.687063 b -0.023243 1.671621 -1.687063 c -0.933355 0.609602 -0.620189 d -0.933355 0.609602 -0.620189 e 0.151455 -1.324563 -0.598897 f 0.605670 -0.924828 -1.050643 g 0.605670 -0.924828 -1.050643 h 0.892414 -0.137194 -1.101791

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'))

输出结果：

one two three a 2.278454 1.550483 -2.103731 b -0.779530 0.408493 1.247796 c -0.779530 0.408493 1.247796 d 0.262713 -1.073215 0.129808 e 0.262713 -1.073215 0.129808 f -0.600729 1.310515 -0.877586 g 0.395212 0.219146 -0.175024 h 0.395212 0.219146 -0.175024

四、丢失缺少的值

使用dropna函数和axis参数。默认情况下，axis = 0，即在行上应用，这意味着如果行内的任何值是NA，那么整个行被排除。

实例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())

输出结果：

one two three a -0.719623 0.028103 -1.093178 c 0.040312 1.729596 0.451805 e -1.029418 1.920933 1.289485 f 1.217967 1.368064 0.527406 h 0.667855 0.147989 -1.035978

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))

输出结果：