1.常规处理方法
- 整列数据中缺失值占比很高——删除整列数据
- 数据呈近似正态分布——平均值填充
- 数据呈偏态分布——中位数填充
Python判断前三种情况并进行处理:
import pandas as pd
import numpy as np
# 读取Excel文件
input_file = 'data.xlsx'
data = pd.read_excel(input_file)
# 遍历每一列数据
for column in data.columns:
# 计算缺失值占比
missing_percentage = data[column].isnull().sum() / len(data[column]) * 100
# 判断数据分布情况并进行处理
if missing_percentage >= 50: # 缺失值占比超过50%,删除整列数据
data = data.drop(column, axis=1)
print(f"已删除列 {column},因为缺失值占比超过50%")
elif data[column].dtype == np.number: # 数值型数据
skewness = data[column].skew() # 计算数据的偏度
if abs(skewness) < 0.5: # 数据近似正态分布,使用平均值填充缺失值
data[column] = data[column].fillna(data[column].mean())
print(f"已使用平均值填充列 {column} 中的缺失值")
else: # 数据呈偏态分布,使用中位数填充缺失值
data[column] = data[column].fillna(data[column].median())
print(f"已使用中位数填充列 {column} 中的缺失值")
else: # 非数值型数据,不做进一步处理
print(f"列 {column} 是非数值型数据,不做处理")
# 将处理后的数据输出到新的Excel文件
output_file = 'processed_data.xlsx'
data.to_excel(output_file, index=False)
print(f"处理后的数据已保存到 {output_file} 文件中。")
- 数据为分类变量——众数填充
import pandas as pd
import numpy as np
# 读取Excel文件
input_file = 'data.xlsx'
data = pd.read_excel(input_file)
# 定义函数进行众数填充
def fill_mode(column):
mode_value = data[column].mode()[0] # 计算众数
data[column] = data[column].fillna(mode_value)
print(f"已使用众数填充列 {column} 中的缺失值")
# 遍历每一列数据
for column in data.columns:
fill_mode(column)
# 将处理后的数据输出到新的Excel文件
output_file = 'processed_data.xlsx'
data.to_excel(output_file, index=False)
print(f"处理后的数据已保存到 {output_file} 文件中。")
- 根据文献,缺失值可以用固定值代替——固定值填充
import pandas as pd
# 读取Excel文件
input_file = 'data.xlsx'
data = pd.read_excel(input_file)
# 定义函数进行固定值填充
def fill_value(column, value):
data[column] = data[column].fillna(value)
print(f"已使用固定值 {value} 填充列 {column} 中的缺失值")
# 指定需要进行固定值填充的列和填充值
columns_to_fill = ['Column1', 'Column2', 'Column3']
fill_value = 'N/A'
# 遍历指定的列进行固定值填充
for column in columns_to_fill:
if column in data.columns:
fill_value(column, fill_value)
# 将处理后的数据输出到新的Excel文件
output_file = 'processed_data.xlsx'
data.to_excel(output_file, index=False)
print(f"处理后的数据已保存到 {output_file} 文件中。")
2.复杂处理方法
1.拟合模型
用已有数据和与其有关的其他变量建立拟合模型来预测缺失值。、
- 回归
- 机器学习
2.插值函数
利用已知点建立合适的插值函数,未知点由对应点
求出的
近似替代。
- 分段线性插值
- 拉格朗日插值
- 牛顿插值法
- 三次诶米尔特插值
- 三次样条插值