Python数据预处理:缺失值统计个数、判断是否、过滤与删除、还有Nan的计算、填充、插入、重复数据、异常值

关注微信号:小程在线

关注CSDN博客:程志伟的博客

import numpy as np
import pandas as pd 
pd.set_option("display.max_rows",10)   
pd.set_option("display.max_columns",10)

#### 1.1统计数据缺失值个数 ####
eu2012 = pd.read_csv("H:/0date/Eueo2012_na.csv")
eu2012
Out[1]: 
                   Team  Goals  Shots on target  Shots off target  
0               Croatia      4               13                12   
1        Czech Republic      4             -999                18   
2               Denmark      4               10                10   
3               England      5               11                18   
4                France      3               22                24   
..                  ...    ...              ...               ...   
11  Republic of Ireland      1                7                12   
12               Russia      5                9                31   
13                Spain     12               42                33   
14                  xyz      5               17                19   
15              Ukraine      2                7                26   


[16 rows x 35 columns]

#统计每行缺失值个数
eu2012.isnull().sum()
Out[2]: 
Team                 0
Goals                0
Shots on target      0
Shots off target     0
Shooting Accuracy    0
                    ..
Yellow Cards         0
Red Cards            0
Subs on              0
Subs off             0
Players Used         0
Length: 35, dtype: int64

#统计所有缺失值个数
eu2012.isnull().sum().sum()
Out[3]: 2

#定义xyz也为缺失值
eu2013 = pd.read_csv("H:/0date/Eueo2012_na.csv", na_values=['xyz'])
eu2013.isnull().sum().sum()
Out[4]: 3

eu2012['Team']
Out[5]: 
0                 Croatia
1          Czech Republic
2                 Denmark
3                 England
4                  France
        
11    Republic of Ireland
12                 Russia
13                  Spain
14                    xyz
15                Ukraine
Name: Team, Length: 16, dtype: object

#定义多个缺失值
eu2012 = pd.read_csv("H:/0date/Eueo2012_na.csv", na_values=['NA','xyz','-999'])
eu2012.isnull().sum().sum()
Out[6]: 4


#### 1.2构造一个带NaN的 data frame ####
df = pd.DataFrame(np.random.randint(0,100,15).reshape(5, 3),
                  index=['a', 'b', 'c', 'd', 'e'],
                  columns=['c1', 'c2', 'c3'])
df
Out[7]: 
   c1  c2  c3
a  50  76  69
b  23  64  61
c   2  61  82
d  31  77  42
e  32  87  42

df['c4']=np.nan
df.loc['f']=np.arange(10,14)
df.loc['g']=np.nan
df['c5']=np.nan
df['c4']['a']=18
df
Out[8]: 
     c1    c2    c3    c4  c5
a  50.0  76.0  69.0  18.0 NaN
b  23.0  64.0  61.0   NaN NaN
c   2.0  61.0  82.0   NaN NaN
d  31.0  77.0  42.0   NaN NaN
e  32.0  87.0  42.0   NaN NaN
f  10.0  11.0  12.0  13.0 NaN
g   NaN   NaN   NaN   NaN NaN

#判断是否为缺失值
df.isnull()
Out[9]: 
      c1     c2     c3     c4    c5
a  False  False  False  False  True
b  False  False  False   True  True
c  False  False  False   True  True
d  False  False  False   True  True
e  False  False  False   True  True
f  False  False  False  False  True
g   True   True   True   True  True

#每列缺失值的个数
df.isnull().sum()
Out[10]: 
c1    1
c2    1
c3    1
c4    5
c5    7
dtype: int64

#每行缺失值的个数
df.isnull().sum(axis=1)
Out[11]: 
a    1
b    2
c    2
d    2
e    2
f    1
g    5
dtype: int64

#总缺失值的个数
df.isnull().sum().sum()
Out[12]: 15

#统计not null
df.count()  
Out[13]: 
c1    6
c2    6
c3    6
c4    2
c5    0
dtype: int64

#判断是否不是缺失值
df.notnull()
Out[14]: 
      c1     c2     c3     c4     c5
a   True   True   True   True  False
b   True   True   True  False  False
c   True   True   True  False  False
d   True   True   True  False  False
e   True   True   True  False  False
f   True   True   True   True  False
g  False  False  False  False  False


#### 1.3 过滤或者去掉缺失值 ####
#筛选c4列不为缺失的数据
df.c4[df.c4.notnull()]
Out[15]: 
a    18.0
f    13.0
Name: c4, dtype: float64

df.c4.dropna()  #inplace=False
Out[16]: 
a    18.0
f    13.0
Name: c4, dtype: float64

#删除有缺失值的列
df.dropna()
Out[17]: 
Empty DataFrame
Columns: [c1, c2, c3, c4, c5]
Index: []

#删除全部缺失值的行
df.dropna(how='all')
Out[18]: 
     c1    c2    c3    c4  c5
a  50.0  76.0  69.0  18.0 NaN
b  23.0  64.0  61.0   NaN NaN
c   2.0  61.0  82.0   NaN NaN
d  31.0  77.0  42.0   NaN NaN
e  32.0  87.0  42.0   NaN NaN
f  10.0  11.0  12.0  13.0 NaN

#删除全部缺失值的列
df.dropna(how='all',axis=1)
Out[19]: 
     c1    c2    c3    c4
a  50.0  76.0  69.0  18.0
b  23.0  64.0  61.0   NaN
c   2.0  61.0  82.0   NaN
d  31.0  77.0  42.0   NaN
e  32.0  87.0  42.0   NaN
f  10.0  11.0  12.0  13.0
g   NaN   NaN   NaN   NaN

#构建新的数据
df2=df.copy()
df2.loc['g'].c1=0
df2.loc['g'].c3=0
df2
Out[20]: 
     c1    c2    c3    c4  c5
a  50.0  76.0  69.0  18.0 NaN
b  23.0  64.0  61.0   NaN NaN
c   2.0  61.0  82.0   NaN NaN
d  31.0  77.0  42.0   NaN NaN
e  32.0  87.0  42.0   NaN NaN
f  10.0  11.0  12.0  13.0 NaN
g   0.0   NaN   0.0   NaN NaN

#删除包含缺失值的列
df2.dropna(how='any',axis=1)
Out[21]: 
     c1    c3
a  50.0  69.0
b  23.0  61.0
c   2.0  82.0
d  31.0  42.0
e  32.0  42.0
f  10.0  12.0
g   0.0   0.0

#删除包含缺失值大于等于5的列
df2.dropna(thresh=5,axis=1)
Out[22]: 
     c1    c2    c3
a  50.0  76.0  69.0
b  23.0  64.0  61.0
c   2.0  61.0  82.0
d  31.0  77.0  42.0
e  32.0  87.0  42.0
f  10.0  11.0  12.0
g   0.0   NaN   0.0

####  1.4 计算中的NaN处理 ####
a=np.array([np.nan,1,2,np.nan,3])
a
Out[23]: array([nan,  1.,  2., nan,  3.])

s=pd.Series(a)
s
Out[24]: 
0    NaN
1    1.0
2    2.0
3    NaN
4    3.0
dtype: float64

#有NaN的均值为NaN
a.mean(),s.mean()
Out[25]: (nan, 2.0)

#加法计算
df2.c4+1
Out[26]: 
a    19.0
b     NaN
c     NaN
d     NaN
e     NaN
f    14.0
g     NaN
Name: c4, dtype: float64

#累加计算
df2.c4.cumsum()
Out[27]: 
a    18.0
b     NaN
c     NaN
d     NaN
e     NaN
f    31.0
g     NaN
Name: c4, dtype: float64

#### 1.5 填充缺失值 ####
fill_0=df.fillna(0)
fill_0
Out[28]: 
     c1    c2    c3    c4   c5
a  50.0  76.0  69.0  18.0  0.0
b  23.0  64.0  61.0   0.0  0.0
c   2.0  61.0  82.0   0.0  0.0
d  31.0  77.0  42.0   0.0  0.0
e  32.0  87.0  42.0   0.0  0.0
f  10.0  11.0  12.0  13.0  0.0
g   0.0   0.0   0.0   0.0  0.0

#只填充3个缺失值
df.fillna(0,limit=3)
Out[29]: 
     c1    c2    c3    c4   c5
a  50.0  76.0  69.0  18.0  0.0
b  23.0  64.0  61.0   0.0  0.0
c   2.0  61.0  82.0   0.0  0.0
d  31.0  77.0  42.0   0.0  NaN
e  32.0  87.0  42.0   NaN  NaN
f  10.0  11.0  12.0  13.0  NaN
g   0.0   0.0   0.0   NaN  NaN

#fillna前一个值填充,bfill一个值填充
df.c4
Out[30]: 
a    18.0
b     NaN
c     NaN
d     NaN
e     NaN
f    13.0
g     NaN
Name: c4, dtype: float64

df.c4.fillna(method='ffill')
Out[31]: 
a    18.0
b    18.0
c    18.0
d    18.0
e    18.0
f    13.0
g    13.0
Name: c4, dtype: float64

df.c4.fillna(method='bfill')
Out[32]: 
a    18.0
b    13.0
c    13.0
d    13.0
e    13.0
f    13.0
g     NaN
Name: c4, dtype: float64

#根据索引填充
fill_values=pd.Series([1,2],index=['b','c'])
df.c4.fillna(fill_values)
Out[33]: 
a    18.0
b     1.0
c     2.0
d     NaN
e     NaN
f    13.0
g     NaN
Name: c4, dtype: float64

#根据列均值填充
df.fillna(df.mean())
Out[34]: 
          c1         c2         c3    c4  c5
a  50.000000  76.000000  69.000000  18.0 NaN
b  23.000000  64.000000  61.000000  15.5 NaN
c   2.000000  61.000000  82.000000  15.5 NaN
d  31.000000  77.000000  42.000000  15.5 NaN
e  32.000000  87.000000  42.000000  15.5 NaN
f  10.000000  11.000000  12.000000  13.0 NaN
g  24.666667  62.666667  51.333333  15.5 NaN

#### 1.6 插值 ####
s=pd.Series([1,2,np.nan,5,np.nan,9])
s
Out[35]: 
0    1.0
1    2.0
2    NaN
3    5.0
4    NaN
5    9.0
dtype: float64

#基于数字的均值
s.interpolate()
Out[36]: 
0    1.0
1    2.0
2    3.5
3    5.0
4    7.0
5    9.0
dtype: float64

#基于时间的插入
import datetime
ts = pd.Series([1, np.nan, 2],
               index=[datetime.datetime(2016, 1, 1),
                      datetime.datetime(2016, 2, 1),
                      datetime.datetime(2016, 4, 1)])
ts
Out[37]: 
2016-01-01    1.0
2016-02-01    NaN
2016-04-01    2.0
dtype: float64

ts.interpolate()
Out[38]: 
2016-01-01    1.0
2016-02-01    1.5
2016-04-01    2.0
dtype: float64

ts.interpolate(method='time')
Out[39]: 
2016-01-01    1.000000
2016-02-01    1.340659
2016-04-01    2.000000
dtype: float64

#基于索引的插入
s = pd.Series([0, np.nan, 20], index=[0, 1, 10])
s
Out[40]: 
0      0.0
1      NaN
10    20.0
dtype: float64

s.interpolate()
Out[41]: 
0      0.0
1     10.0
10    20.0
dtype: float64

s.interpolate(method='values')
Out[42]: 
0      0.0
1      2.0
10    20.0
dtype: float64

#### 1.7重复值 ####
data = pd.DataFrame({'a': ['x'] * 3 + ['y'] * 4,
                     'b': [1, 1, 2, 3, 3, 4, 4]})
data
Out[43]: 
   a  b
0  x  1
1  x  1
2  x  2
3  y  3
4  y  3
5  y  4
6  y  4

#判断是否出现重复值
data.duplicated()
Out[44]: 
0    False
1     True
2    False
3    False
4     True
5    False
6     True
dtype: bool

#删除后面重复的
data.drop_duplicates()
Out[45]: 
   a  b
0  x  1
2  x  2
3  y  3
5  y  4

#删除前面重复的
data.drop_duplicates(keep='last')
Out[46]: 
   a  b
1  x  1
2  x  2
4  y  3
6  y  4

data['c']=np.arange(7)
data.duplicated()
Out[47]: 
0    False
1    False
2    False
3    False
4    False
5    False
6    False
dtype: bool

#删除ab两列重复的值
data.drop_duplicates(['a','b'])
Out[48]: 
   a  b  c
0  x  1  0
2  x  2  2
3  y  3  3
5  y  4  5

#### 1.8 transform ####
#map函数映射
x = pd.Series({"one": 1, "two": 2, "three": 3})
y = pd.Series({1: "a", 2: "b", 3: "c"})

x.map(y)
Out[49]: 
one      a
two      b
three    c
dtype: object

df=pd.DataFrame({'c1':['a']*3+['b']*4,
               'c2':[1,1,2,3,3,4,4]})
df
Out[50]: 
  c1  c2
0  a   1
1  a   1
2  a   2
3  b   3
4  b   3
5  b   4
6  b   4

#将1替换成5
df.replace(1,5)
Out[51]: 
  c1  c2
0  a   5
1  a   5
2  a   2
3  b   3
4  b   3
5  b   4
6  b   4

#将a替换成x
df.replace('a','x')
Out[52]: 
  c1  c2
0  x   1
1  x   1
2  x   2
3  b   3
4  b   3
5  b   4
6  b   4

#将c2列的3替换成100
df.replace({'c2': 3}, 100)
Out[53]: 
  c1   c2
0  a    1
1  a    1
2  a    2
3  b  100
4  b  100
5  b    4
6  b    4

#### outlier异常值处理 ####
df=pd.DataFrame({'Data':np.random.normal(size=200)})
df.head()
Out[54]: 
       Data
0  0.458493
1 -0.444134
2  0.422875
3 -0.397458
4 -1.040618

#筛选数值
df[np.abs(df.Data-df.Data.mean())<=(2*df.Data.std())]
Out[55]: 
         Data
0    0.458493
1   -0.444134
2    0.422875
3   -0.397458
4   -1.040618
..        ...
195  0.825967
196 -0.764515
197  1.170473
198  1.220785
199 -0.175777

[189 rows x 1 columns]

mask=np.abs(df.Data-df.Data.mean())>=(2*df.Data.std())

df[mask]
Out[57]: 
         Data
13  -2.434275
57  -2.099274
91  -2.286433
98   1.844199
127  2.070731
..        ...
149  2.347566
151  1.983026
156 -2.051421
157 -1.962457
184 -2.110960

[11 rows x 1 columns]

#将异常值替换成均值
df[mask]=df.Data.mean()
df[mask]
Out[58]: 
         Data
13  -0.047164
57  -0.047164
91  -0.047164
98  -0.047164
127 -0.047164
..        ...
149 -0.047164
151 -0.047164
156 -0.047164
157 -0.047164
184 -0.047164

[11 rows x 1 columns]

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值