Python Data cleansing

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 (Example)

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

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。

例子 (Example)

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

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 (Example)

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

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 (Example)

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