(一)、处理缺失值:
在进行数据分析和建模的过程中,大量的时间会花在数据准备上:加载、清理、转换以及重塑。因此,掌握了正确、高效的完成数据准备的方式会使得我们的工作效率更高。缺失数据在pandas中呈现的方式有些不完美,但对于大多数用户可以保证功能正常。对于数值数据,pandas使用浮点值NaN(Not a Number)表示缺失数据。
我们输入下面代码:
data = pd.Series(['aaa', 'bbb', 'ccc', np.nan])
产生的结果如下:
0 aaa
1 bbb
2 ccc
3 NaN
dtype: object
我们也可以用 isnull() 方法来查看缺失值
print(data.isnull())
输出结果如下(True表示这个位置为缺失值):
0 False
1 False
2 False
3 True
dtype: bool
NA即not available,中文为:不可用。NA数据可以是不存在的数据或者是存在但是不可观察的数据(例如在数据收集过程中出现了问题)
NA的处理方法:
1.1过滤缺失值:我们可以通过 pandas.isnull 和布尔索引的手工过滤缺失值的方法,但dropna可能会更实用一些。
1.1.1在 Series 上使用 dropna 时,他会返回Series。
from numpy import nan as NA
data = pd.Series([1, NA, 3.5, NA, 7])
print(data.dropna())
输出结果为:
0 1.0
2 3.5
4 7.0
dtype: float64
我们可以看到。行索引为 1 和 3 的元素(缺失值)被删除掉。
1.1.2在处理DataFrame对象时:dropna默认会删除包含缺失值的行
data = pd.DataFrame([[1, 3.6, 3], [1, NA, NA],
[NA, NA, NA], [NA, 6., 3]])
建立的数据为:
0 1 2
0 1.0 3.6 3.0
1 1.0 NaN NaN
2 NaN NaN NaN
3 NaN 6.0 3.0
调用删除之后的删除为:
0 1 2
0 1.0 3.6 3.0
我们可以看到缺失值的整行都被删除掉。
1.1.3、传入的参数为how = ‘all’ 的时候,pandas会删除所有值均为NA的行。
print(data.dropna(how = 'all'))
删除后的结果为:
0 1 2
0 1.0 3.6 3.0
1 1.0 NaN NaN
3 NaN 6.0 3.0
并不是所有的NA的行被删除掉,而只是某一行所有元素均为NA的时候才会删除该行。若是想删除列的话,我们加上axis = 1
即可。
补全缺失值:在特定的情况下,我们可能需要以多种方式补全缺失值,而不是直接过滤缺失值。大多数情况下我们使用 fillna() 方法来补全缺失值。
print(data.fillna(0))
fillna()的参数就是我们用来填补缺失值的数值。填补之后的结果如下:
0 1 2
0 1.0 3.6 3.0
1 1.0 0.0 0.0
2 0.0 0.0 0.0
3 0.0 6.0 3.0
用于重建索引的插值方法也可以用于fillna():
data = pd.DataFrame(np.random.randn(6, 3))
data.iloc[2: ,1] = NA #从第三行第二列开始(或者我们从索引值为(2,1)开始)
data.iloc[4: ,2] = NA #从第五行第三列开始(或者我们从索引值为(4,2)开始)
建立完成的数据如下:
0 1 2
0 0.929878 1.039583 -0.581990
1 0.254919 -2.111313 -0.874815
2 -0.081725 NaN 0.946258
3 -1.224365 NaN -1.164537
4 -0.800158 NaN NaN
5 -0.252555 NaN NaN
我们可以看到对应位置的数字变成了NAN。之后我们进行缺失值的填充
print(data.fillna(method = 'ffill'))
填充后的结果如下:
0 1 2
0 -0.131935 -0.059509 -1.575951
1 -0.556512 -1.407413 -0.204176
2 0.257330 -1.407413 -0.514804
3 -0.394098 -1.407413 0.735544
4 -0.083222 -1.407413 0.735544
5 1.127529 -1.407413 0.735544
我们可以看出pandas按照初始的规矩(产生服从正态分布的随机数的规律)自动的对数据进行了填充。
该函数参数解释如下:
(二) 代替值:之前我们使用的fillna()方法是通过将缺失值进行填充来实现替换的特殊案例。这里我通过使用replace()方法来实现替换。
data = pd.Series([1., -999, 5, -999, 3, 154]) #假设-999是缺失值的标识
我们创建出的data如下:
0 1.0
1 -999.0
2 5.0
3 -999.0
4 3.0
5 154.0
dtype: float64
如果我们像完成缺失值的替换,可以采用这个代码:
print(data.replace(-999, np.nan))
意思是用nan代替原数据集中的 -999,结果如下:
0 1.0
1 NaN
2 5.0
3 NaN
4 3.0
5 154.0
dtype: float64
如果想一次性代替多个值的话,我们也可以使用列表来进行被代替值的传入。
print(data.replace([154, -999], np.nan))
我们这里让 154 和 -999 均被替代掉。
0 1.0
1 NaN
2 5.0
3 NaN
4 3.0
5 NaN
dtype: float64
如果想将不同的值替换为不同的值,可以传入两个列表进去,或者传入字典。下面两句话产生的结果相同
print(data.replace([154, -999], [np.nan, 100]))
print(data.replace({154 : np.nan, -999 : 100}))
结果如下:对应的数值被对应的数值替换掉。
0 1.0
1 100.0
2 5.0
3 100.0
4 3.0
5 NaN
dtype: float64