Missing Data
优质
小牛编辑
133浏览
2023-12-01
在现实生活场景中，丢失数据始终是一个问题。 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，因为缺失值导致数据质量差。 在这些领域，缺失值处理是使模型更准确和有效的主要关注点。
何时以及为何缺少数据？
让我们考虑一下产品的在线调查。 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，但没有人分享他们使用该产品的时间; 很少有人分享他们使用产品的时间，他们的经验，但不是他们的联系信息。 因此，以某种或其他方式，一部分数据总是丢失，这在实时中非常常见。
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
其output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
使用重建索引，我们创建了一个缺少值的DataFrame。 在输出中， NaN表示Not a Number.
检查缺失值
为了使检测缺失值更容易（并且跨越不同的数组dtypes），Pandas提供了isnull()和notnull()函数，它们也是Series和DataFrame对象的方法 -
例子1 (Example 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()
其output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 (Example 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()
其output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
- 在对数据求和时，NA将被视为零
- 如果数据都是NA，那么结果将是NA
例子1 (Example 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()
其output如下 -
2.02357685917
例子2 (Example 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()
其output如下 -
nan
清理/填写缺失数据
Pandas提供了各种清除缺失值的方法。 fillna函数可以通过几种方式用非空数据“填充”NA值，我们在以下部分中对此进行了说明。
用标量值替换NaN
以下程序显示如何将“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)
其output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，我们充满零价值; 相反，我们也可以填写任何其他价值。
向前和向后填充NA
使用ReIndexing Chapter中讨论的填充概念，我们将填充缺失的值。
| 方法 | 行动 |
|---|---|
| pad/fill | 填写方法转发 |
| bfill/backfill | 填充方法向后 |
例子1 (Example 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')
其output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 (Example 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')
其output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
丢失缺失值
如果您只想简单地排除缺失值，则使用dropna函数和axis参数。 默认情况下，axis = 0，即沿着行，这意味着如果行中的任何值为NA，则排除整行。
例子1 (Example 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()
其output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 (Example 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)
其output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，我们必须用一些特定值替换通用值。 我们可以通过应用replace方法来实现这一点。
用标量值替换NA是fillna()函数的等效行为。
例子1 (Example 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})
其output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 (Example 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})
其output如下 -
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60