在数据分析和建模的过程中,相当多的时间要用在数据准备上:加载、清 理、转换以及重塑。这些工作会占到分析师时间的80%或更多。有时,存储 在文件和数据库中的数据的格式不适合某个特定的任务。许多研究者都选择 使用通用编程语言(如Python、Perl、R或Java)或UNIX文本处理工具(如sed或awk)对数据格式进行专门处理。幸运的是,pandas和内置的Python标准库提供了一组高级的、灵活的、快速的工具,可以让你轻松地将数据规 整为想要的格式。
如果你发现了一种本书或pandas库中没有的数据操作方式,请在邮件列表或GitHub网站上提出。实际上,pandas的许多设计和实现都是由真实应用的需 求所驱动的。
在接下来的4篇博客中,我会讨论处理缺失数据、重复数据、字符串操作和其它分析数据转换的工具。之后,我们会关注于用多种方法合并、重塑数据集。
目录
1. 缺失数据
在许多数据分析工作中,缺失数据是经常发生的。pandas的目标之一就是尽 量轻松地处理缺失数据。例如,pandas对象的所有描述性统计默认都不包括 缺失数据。
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。我们称其为哨兵值,可以方便的检测出来:
import numpy as np
import pandas as pd
PREVIOUS_MAX_ROWS = pd.options.display.max_rows
pd.options.display.max_rows = 20
np.random.seed(12345)
import matplotlib.pyplot as plt
plt.rc('figure', figsize=(10, 6))
np.set_printoptions(precision=4, suppress=True)
string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
print(string_data)
string_data.isnull()
在pandas中,我们采用了R语言中的惯用法,即将缺失值表示为NA,它表示 不可用not available。在统计应用中,NA数据可能是不存在的数据或者虽然 存在,但是没有观察到(例如,数据采集中发生了问题)。当进行数据清洗 以进行分析时,最好直接对缺失数据进行分析,以判断数据采集的问题或缺 失数据可能导致的偏差。
Python内置的None值在对象数组中也可以作为NA:
string_data[0] = None
string_data.isnull()
pandas项目中还在不断优化内部细节以更好处理缺失数据,像用户API功 能,例如pandas.isnull,去除了许多恼人的细节。下表列出了一些关于缺失 数据处理的函数。
2. 滤除缺失数据
过滤掉缺失数据的办法有很多种。你可以通过pandas.isnull或布尔索引的手 工方法,但dropna可能会更实用一些。对于一个Series,dropna返回一个仅 含非空数据和索引值的Series:
from numpy import nan as NA
data = pd.Series([1, NA, 3.5, NA, 7])
data.dropna()
data[data.notnull()]
而对于DataFrame对象,事情就有点复杂了。你可能希望丢弃全NA或含有NA的行或列。dropna默认丢弃任何含有缺失值的行:
data = pd.DataFrame([[1., 6.5, 3.], [1., NA, NA],
[NA, NA, NA], [NA, 6.5, 3.]])
cleaned = data.dropna()
print(data)
print("------")
print(cleaned)
传入how='all'将只丢弃全为NA的那些行:
data.dropna(how='all')
用这种方式丢弃列,只需传入axis=1即可:
data[4] = NA
print(data)
data.dropna(axis=1, how='all')
另一个滤除DataFrame行的问题涉及时间序列数据。假设你只想留下一部分 观测数据,可以用thresh参数实现此目的:
df = pd.DataFrame(np.random.randn(7, 3))
df.iloc[:4, 1] = NA
df.iloc[:2, 2] = NA
print(df)
print(df.dropna())
df.dropna(thresh=2)#去除包含两个nan的行
3. 填充缺失数据
你可能不想滤除缺失数据(有可能会丢弃跟它有关的其他数据),而是希望 通过其他方式填补那些“空洞”。对于大多数情况而言,fillna方法是最主要的 函数。通过一个常数调用fillna就会将缺失值替换为那个常数值:
print(df)
df.fillna(0)
若是通过一个字典调用fillna,就可以实现对不同的列填充不同的值:
df.fillna({1: 0.5, 2: 0})
fillna默认会返回新对象,但也可以对现有对象进行就地修改:
_ = df.fillna(0, inplace=True)
df
对reindexing有效的那些插值方法也可用于fillna:
df = pd.DataFrame(np.random.randn(6, 3))
df.iloc[2:, 1] = NA
df.iloc[4:, 2] = NA
print(df)
print(df.fillna(method='ffill')) #ffill对缺失值填充为它前面的值
print(df.fillna(method='ffill', limit=2)) #限制最大填充数量为2
只要有些创新,你就可以利用fillna实现许多别的功能。比如说,你可以传入Series的平均值或中位数:
data = pd.Series([1., NA, 3.5, NA, 7])
data.fillna(data.mean())
下表列出了fillna的参考: