Data Whale第20期组队学习 Pandas学习—缺失数据
Python中有三种缺失值（空值）：
| 类型 | 说明 |
|---|---|
| NaN | pandas使用浮点值NaN（Not a Number）表示缺失数值数据 |
| NA | pandas将缺失值表示为NA（not available），主要表示为np.nan |
| None | Python内置的None值，如创建一个空的列表list=[] |
一、缺失值的统计和删除
1.1 统计缺失信息
缺失数据可以使用 isna 或 isnull （两个函数等价）来查看每个单元格是否缺失，结合 mean 可以计算出每列缺失值的比例。
import pandas as pd
import numpy as np
df = pd.read_csv('D:/binchen/txzq/data/learn_pandas.csv',usecols = ['Grade', 'Name', 'Gender', 'Height','Weight', 'Transfer'])
print("df.isna().head()=",df.isna().head()) # 查看每个单元格是否缺失
# df.isna().head()= Grade Name Gender Height Weight Transfer
# 0 False False False False False False
# 1 False False False False False False
# 2 False False False False False False
# 3 False False False True False False
# 4 False False False False False False
print("df.isna().mean()=\n",df.isna().mean()) # 查看缺失的比例
# df.isna().mean()=
# Grade 0.000
# Name 0.000
# Gender 0.000
# Height 0.085
# Weight 0.055
# Transfer 0.060
# dtype: float64
print("df.isnull().head()=\n",df.isnull().head()) #查看每个单元格是否缺失
print("df.isnull().mean()=\n",df.isnull().mean()) # 查看缺失的比例
想要查看某一列缺失或者非缺失的行，可以利用 Series 上的 isna 或者 notna 进行布尔索引。
# 查看身高缺失的行
print("df[df.Height.isna()].head()=\n",df[df.Height.isna()].head())
# df[df.Height.isna()].head()=
# Grade Name Gender Height Weight Transfer
# 3 Sophomore Xiaojuan Sun Female NaN 41.0 N
# 12 Senior Peng You Female NaN 48.0 NaN
# 26 Junior Yanli You Female NaN 48.0 N
# 36 Freshman Xiaojuan Qin Male NaN 79.0 Y
# 60 Freshman Yanpeng Lv Male NaN 65.0 N
print("df[df.Transfer.isna()].head()=\n",df[df.Transfer.isna()].head())
# df[df.Transfer.isna()].head()=
# Grade Name Gender Height Weight Transfer
# 12 Senior Peng You Female NaN 48.0 NaN
# 21 Senior Xiaopeng Shen Male 166.0 62.0 NaN
# 69 Junior Chunquan Xu Female 162.1 54.0 NaN
# 84 Junior Yanjuan Lv Female 159.3 49.0 NaN
# 87 Senior Feng Yang Female 167.0 52.0 NaN
同时对几个列，检索出全部为缺失或者至少有一个缺失或者没有缺失的行，可以使用 isna, notna 和 any, all 的组合。
# 对身高、体重和转系情况这3列分别进行这三种情况的检索
sub_s=df[['Height', 'Weight', 'Transfer']]
print("df[sub_s.isna().all(1)]=\n",df[sub_s.isna().all(1)]) # 全部缺失
# df[sub_s.isna().all(1)]=
# Grade Name Gender Height Weight Transfer
# 102 Junior Chengli Zhao Male NaN NaN NaN
print("df[sub_s.isna().any(1)].head()=\n",df[sub_s.isna().any(1)].head())# 至少有一个缺失
# df[sub_s.isna().any(1)].head()=
# Grade Name Gender Height Weight Transfer
# 3 Sophomore Xiaojuan Sun Female NaN 41.0 N
# 9 Junior Juan Xu Female 164.8 NaN N
# 12 Senior Peng You Female NaN 48.0 NaN
# 21 Senior Xiaopeng Shen Male 166.0 62.0 NaN
# 26 Junior Yanli You Female NaN 48.0 N
print("df[sub_s.notna().all(1)].head()=\n",df[sub_s.notna().all(1)].head()) # 没有缺失
# df[sub_s.notna().all(1)].head()=
# Grade Name Gender Height Weight Transfer
# 0 Freshman Gaopeng Yang Female 158.9 46.0 N
# 1 Freshman Changqiang You Male 166.5 70.0 N
# 2 Senior Mei Sun Male 188.9 89.0 N
# 4 Sophomore Gaojuan You Male 174.0 74.0 N
# 5 Freshman Xiaoli Qian Female 158.0 51.0 N
1.2 删除缺失信息
数据处理中经常需要根据缺失值的大小、比例或其他特征来进行行样本或列特征的删除， pandas 中提供了 dropna 函数来进行操作。
dropna 的主要参数为轴方向 axis （默认为0，即删除行）、删除方式 how 、删除的非缺失值个数阈值 thresh （ 非缺失值 没有达到这个数量的相应维度会被删除）、备选的删除子集 subset ，其中 how 主要有 any 和 all 两种参数可以选择。
# 可以使用布尔索引来完成上述的两个操作
res = df.loc[df[['Height', 'Weight']].notna().all(1)]
print("res.shape=",res.shape)
res = df.loc[:, ~(df.isna().sum()>15)]
print("res.head()=\n",res.head())
# res.head()=
# Grade Name Gender Weight Transfer
# 0 Freshman Gaopeng Yang Female 46.0 N
# 1 Freshman Changqiang You Male 70.0 N
# 2 Senior Mei Sun Male 89.0 N
# 3 Sophomore Xiaojuan Sun Female 41.0 N
# 4 Sophomore Gaojuan You Male 74.0 N
二、缺失值的填充和插值
2.1 利用fillna进行填充
在 fillna 中有三个参数是常用的： value、 method和 limit 。其中， value 为填充值，可以是标量，也可以是索引到元素的字典映射； method 为填充方法，有用前面的元素填充 ffill 和用后面的元素填充 bfill 两种类型， limit 参数表示连续缺失值的最大填充次数。
Ser = pd.Series([np.nan, 1, np.nan, np.nan, 2, np.nan],list('aaabcd'))
print("Ser=",Ser)
# Ser= a NaN
# a 1.0
# a NaN
# b NaN
# c 2.0
# d NaN
# dtype: float64
print("Ser.fillna(method='ffill')=",Ser.fillna(method='ffill'))# 用前面的值向后填充
# Ser.fillna(method='ffill')= a NaN
# a 1.0
# a 1.0
# b 1.0
# c 2.0
# d 2.0
# dtype: float64
print("Ser.fillna(method='ffill', limit=1)=\n",Ser.fillna(method='ffill', limit=1) )
# Ser.fillna(method='ffill', limit=1)=
# a NaN
# a 1.0
# a 1.0
# b NaN
# c 2.0
# d 2.0
# dtype: float64
print("Ser.fillna(Ser.mean())=\n",Ser.fillna(Ser.mean()) )# value为标量)
# Ser.fillna(Ser.mean())=
# a 1.5
# a 1.0
# a 1.5
# b 1.5
# c 2.0
# d 1.5
# dtype: float64
print("Ser.fillna({'a': 100, 'd': 200})=\n",Ser.fillna({'a': 100, 'd': 200}))
# Ser.fillna({'a': 100, 'd': 200})=
# a 100.0
# a 1.0
# a 100.0
# b NaN
# c 2.0
# d 200.0
# dtype: float64
# 为了更加合理地填充，需要先进行分组后再操作
# 根据年级进行身高的均值填充
print("df.groupby('Grade')['Height'].transform(lambda x: x.fillna(x.mean())).head()=\n",
df.groupby('Grade')['Height'].transform(lambda x: x.fillna(x.mean())).head())
# df.groupby('Grade')['Height'].transform(lambda x: x.fillna(x.mean())).head()=
# 0 158.900000
# 1 166.500000
# 2 188.900000
# 3 163.075862
# 4 174.000000
# Name: Height, dtype: float64
2.2 插值函数
对于 interpolate 而言，除了插值方法（默认为 linear 线性插值）之外，有与 fillna 类似的两个常用参数，一个是控制方向的 limit_direction ，另一个是控制最大连续缺失值插值个数的 limit 。其中，限制插值的方向默认为 forward ，这与 fillna 的 method 中的 ffill 是类似的，若想要后向限制插值或者双向限制插值可以指定为 backward 或 both 。
Ser1 = pd.Series([np.nan, np.nan, 1,np.nan, np.nan, np.nan,2, np.nan, np.nan])
print("Ser1.values=",Ser1.values)
# Ser1.values= [nan nan 1. nan nan nan 2. nan nan]
# 在默认线性插值法下分别进行 backward 和双向限制插值，同时限制最大连续条数为1
res = Ser1.interpolate(limit_direction='backward', limit=1)
print("res.values=",res.values)
# res.values= [ nan 1. 1. nan nan 1.75 2. nan nan]
res = Ser1.interpolate(limit_direction='both', limit=1)
print("res.values=",res.values)
# res.values= [ nan 1. 1. 1.25 nan 1.75 2. 2. nan]
# 第二种常见的插值是最近邻插补，即缺失值的元素和离它最近的非缺失值元素一样
print("Ser1.interpolate('nearest').values=\n",Ser1.interpolate('nearest').values)
# Ser1.interpolate('nearest').values=
# [nan nan 1. 1. 1. 2. 2. nan nan]
# 索引插值根据索引大小进行线性插值
# 构造不等间距的索引进行演示
Ser2 = pd.Series([0,np.nan,10],index=[0,1,10])
print("Ser2=",Ser2)
# Ser2= 0 0.0
# 1 NaN
# 10 10.0
# dtype: float64
print("Ser2.interpolate()=\n",Ser2.interpolate())
# Ser2.interpolate()=
# 0 0.0
# 1 5.0
# 10 10.0
# dtype: float64
print("Ser2.interpolate(method='index')=",Ser2.interpolate(method='index'))
# Ser2.interpolate(method='index')= 0 0.0
# 1 1.0
# 10 10.0
# dtype: float64
Ser3= pd.Series([0,np.nan,10],index=pd.to_datetime(['20200101','20200102','20200111']))
print("Ser3=",Ser3)
# Ser3= 2020-01-01 0.0
# 2020-01-02 NaN
# 2020-01-11 10.0
# dtype: float64
print("Ser3.interpolate()=",Ser3.interpolate())
# Ser3.interpolate()= 2020-01-01 0.0
# 2020-01-02 5.0
# 2020-01-11 10.0
# dtype: float64
print("Ser3.interpolate(method='index'))=\n",
Ser3.interpolate(method='index'))
# Ser3.interpolate(method='index'))=
# 2020-01-01 0.0
# 2020-01-02 1.0
# 2020-01-11 10.0
# dtype: float64
三、Nullable类型
3.1 缺失记号及其缺陷
在 python 中的缺失值用 None 表示，该元素除了等于自己本身之外，与其他任何元素不相等。
print("None == None:",None == None)
# None == None: True
print("None == False:",None == False)
# None == False: False
print("None == []:",None == [])
# None == []: False
print("None == '':",None == '')
# None == '': False
"""
在 numpy 中利用 np.nan 来表示缺失值，该元素除了不和其他任何元素相等之外，和自身的比较结果也返回 False
"""
print("np.nan == np.nan:",np.nan == np.nan)
# np.nan == np.nan: False
print("np.nan == None:",np.nan == None)
# np.nan == None: False
print("np.nan == False:",np.nan == False)
# np.nan == False: False
"""
虽然在对缺失序列或表格的元素进行比较操作的时候， np.nan 的对应位置会返回 False ，
但是在使用 equals 函数进行两张表或两个序列的相同性检验时，会自动跳过两侧表都是缺失值的位置，直接返回 True
"""
S1=pd.Series([1,6,np.nan,9])
S2=pd.Series([1,6,2,9])
S3=pd.Series([1,6,np.nan,9])
print("S1==1:",S1==1)
# S1==1: 0 True
# 1 False
# 2 False
# 3 False
# dtype: bool
print("S1.equals(S2):",S1.equals(S2))
# S1.equals(S2): False
print("S1.equals(S3):",S1.equals(S3))
# S1.equals(S3): True
"""
在时间序列的对象中， pandas 利用 pd.NaT 来指代缺失值，它的作用和 np.nan 是一致的
"""
print("pd.to_timedelta(['30s', np.nan]) =",pd.to_timedelta(['30s', np.nan]) )
# pd.to_timedelta(['30s', np.nan]) = TimedeltaIndex(['0 days 00:00:30', NaT], dtype='timedelta64[ns]', freq=None)
print("pd.to_datetime(['20200101', np.nan])=",pd.to_datetime(['20200101', np.nan]))
# pd.to_datetime(['20200101', np.nan])= DatetimeIndex(['2020-01-01', 'NaT'], dtype='datetime64[ns]', freq=None)
在 pandas 中可以看到 object 类型的对象，而 object 是一种混杂对象类型，如果出现了多个类型的元素同时存储在 Series 中，它的类型就会变成 object 。
print("pd.Series([1, 'two',np.nan,2.0])=\n",pd.Series([1, 'two',np.nan,2.0]))
# pd.Series([1, 'two',np.nan,2.0])=
# 0 1
# 1 two
# 2 NaN
# 3 2
# dtype: object
print("pd.Series([1, np.nan]).dtype=",pd.Series([1, np.nan]).dtype)
# pd.Series([1, np.nan]).dtype= float64
print("pd.Series([True, False, np.nan]).dtype=", pd.Series([True, False, np.nan]).dtype)
# pd.Series([True, False, np.nan]).dtype= object
3.2 Nullable类型的性质
从字面意义上看 Nullable 就是可空的，言下之意就是序列类型不受缺失值的影响。
print("pd.Series([np.nan, 1,3], dtype = 'Int64')=",pd.Series([np.nan, 1,3], dtype = 'Int64'))
# pd.Series([np.nan, 1,3], dtype = 'Int64')= 0 <NA>
# 1 1
# 2 3
# dtype: Int64
print("pd.Series([False,np.nan, True], dtype = 'boolean')=",
pd.Series([False,np.nan, True], dtype = 'boolean'))
# pd.Series([False,np.nan, True], dtype = 'boolean')= 0 False
# 1 <NA>
# 2 True
# dtype: boolean
print("pd.Series(['Hello',np.nan, 'my_str'], dtype = 'string')=",
pd.Series(['Hello',np.nan, 'my_str'], dtype = 'string'))
# pd.Series(['Hello',np.nan, 'my_str'], dtype = 'string')= 0 Hello
# 1 <NA>
# 2 my_str
# dtype: string
"""
在 Int 的序列中，返回的结果会尽可能地成为 Nullable 的类型
"""
print("pd.Series([np.nan, 0], dtype = 'Int64') + 2020:",pd.Series([np.nan, 0], dtype = 'Int64') + 2020)
# pd.Series([np.nan, 0], dtype = 'Int64') + 2020: 0 <NA>
# 1 2020
# dtype: Int64
print("pd.Series([np.nan, 0], dtype = 'Int64') == 0:",pd.Series([np.nan, 0], dtype = 'Int64') == 0)
# pd.Series([np.nan, 0], dtype = 'Int64') == 0: 0 <NA>
# 1 True
# dtype: boolean
print("pd.Series([np.nan, 9], dtype = 'Int64') * 0.5:",pd.Series([np.nan, 9], dtype = 'Int64') * 0.5)
# pd.Series([np.nan, 9], dtype = 'Int64') * 0.5: 0 NaN
# 1 4.5
# dtype: float64
对于 boolean 类型的序列而言，其和 bool 序列的行为主要有两点区别，第一点是带有缺失的布尔列表无法进行索引器中的选择，而 boolean 会把缺失值看作 False ；第二点是在进行逻辑运算时， bool 类型在缺失处返回的永远是 False ，而 boolean 会根据逻辑运算是否能确定唯一结果来返回相应的值。那什么叫能否确定唯一结果呢？举个简单例子： True | pd.NA 中无论缺失值为什么值，必然返回 True ； False | pd.NA 中的结果会根据缺失值取值的不同而变化，此时返回 pd.NA ； False & pd.NA 中无论缺失值为什么值，必然返回 False 。
在 Int 的序列中，返回的结果会尽可能地成为 Nullable 的类型
"""
print("pd.Series([np.nan, 0], dtype = 'Int64') + 2020:",pd.Series([np.nan, 0], dtype = 'Int64') + 2020)
# pd.Series([np.nan, 0], dtype = 'Int64') + 2020: 0 <NA>
# 1 2020
# dtype: Int64
print("pd.Series([np.nan, 0], dtype = 'Int64') == 0:",pd.Series([np.nan, 0], dtype = 'Int64') == 0)
# pd.Series([np.nan, 0], dtype = 'Int64') == 0: 0 <NA>
# 1 True
# dtype: boolean
print("pd.Series([np.nan, 9], dtype = 'Int64') * 0.5:",pd.Series([np.nan, 9], dtype = 'Int64') * 0.5)
# pd.Series([np.nan, 9], dtype = 'Int64') * 0.5: 0 NaN
# 1 4.5
# dtype: float64
s = pd.Series(['W', 'O','R','L','D'])
s_bool = pd.Series([True, np.nan,False,np.nan,True])
s_boolean = pd.Series([True, np.nan,False,np.nan,True]).astype('boolean')
print("s[s_boolean]:",s[s_boolean])
# s[s_boolean]: 0 W
# 4 D
# dtype: object
print("s_boolean & True:",s_boolean & True)
# s_boolean & True: 0 True
# 1 <NA>
# 2 False
# 3 <NA>
# 4 True
# dtype: boolean
print("s_boolean | True:",s_boolean | True)
# s_boolean | True: 0 True
# 1 True
# 2 True
# 3 True
# 4 True
# dtype: boolean
print("~s_boolean:",~s_boolean)
# ~s_boolean: 0 False
# 1 <NA>
# 2 True
# 3 <NA>
# 4 False
# dtype: boolean
# 一般在实际数据处理时，可以在数据集读入后，先通过 convert_dtypes 转为 Nullable 类型
df = pd.read_csv('D:/binchen/txzq/data/learn_pandas.csv')
df = df.convert_dtypes()
print("df.dtypes=",df.dtypes)
# df.dtypes= School string
# Grade string
# Name string
# Gender string
# Height float64
# Weight Int64
# Transfer string
# Test_Number Int64
# Test_Date string
# Time_Record string
# dtype: object
3.3 缺失数据的计算和分组
当调用函数 sum, prob 使用加法和乘法的时候，缺失数据等价于被分别视作0和1，即不改变原来的计算结果。
Ser4=pd.Series([2,3,np.nan,4,5])
print("Ser4.sum()=",Ser4.sum())
# Ser4.sum()= 14.0
print("Ser4.prod()=",Ser4.prod())
# Ser4.sum()= 14.0
"""
当进行单个标量运算的时候，除了 np.nan ** 0 和 1 ** np.nan 这两种情况为确定的值之外，
所有运算结果全为缺失（ pd.NA 的行为与此一致 ），并且 np.nan 在比较操作时一定返回 False ，
而 pd.NA 返回 pd.NA
"""
print( np.nan == 0,pd.NA == 0,np.nan > 0,pd.NA > 0)
# False <NA> False <NA>
print(np.nan + 1,np.log(np.nan),np.add(np.nan, 1),np.nan ** 0)
# nan nan nan 1.0
print(pd.NA ** 0,1 ** np.nan,1 ** pd.NA)
# 1 1.0 1
"""
diff, pct_change 这两个函数虽然功能相似，但是对于缺失的处理不同，
前者凡是参与缺失计算的部分全部设为了缺失值，而后者缺失值位置会被设为 0% 的变化率
"""
print("Ser4.diff()=",Ser4.diff())
# Ser4.diff()= 0 NaN
# 1 1.0
# 2 NaN
# 3 NaN
# 4 1.0
# dtype: float64
print("Ser4.pct_change()=",Ser4.pct_change())
# Ser4.pct_change()= 0 NaN
# 1 0.500000
# 2 0.000000
# 3 0.333333
# 4 0.250000
# dtype: float64
对于一些函数而言，缺失可以作为一个类别处理，例如在 groupby, get_dummies 中可以设置相应的参数来进行增加缺失类别。
df_nan = pd.DataFrame({'category':['a','a','b',np.nan,np.nan],'value':[1,3,5,7,9]})
print("df_nan=",df_nan)
# df_nan= category value
# 0 a 1
# 1 a 3
# 2 b 5
# 3 NaN 7
# 4 NaN 9
print(" df_nan.groupby('category',dropna=False)['value'].mean()=",
df_nan.groupby('category',dropna=False)['value'].mean())
# df_nan.groupby('category',dropna=False)['value'].mean()= category
# a 2
# b 5
# NaN 8
# Name: value, dtype: int64
print("pd.get_dummies(df_nan.category, dummy_na=True)=",
pd.get_dummies(df_nan.category, dummy_na=True))
# pd.get_dummies(df_nan.category, dummy_na=True)= a b NaN
# 0 1 0 0
# 1 1 0 0
# 2 0 1 0
# 3 0 0 1
# 4 0 0 1
参考文献
1、https://datawhalechina.github.io/joyful-pandas/build/html/%E7%9B%AE%E5%BD%95/ch7.html
607
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
