Pandas学习——处理缺失数据

最新推荐文章于 2024-06-05 10:59:34 发布
最新推荐文章于 2024-06-05 10:59:34 发布
阅读量3.2k 收藏 4
点赞数 1
分类专栏： 数据分析与挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sosososoon/article/details/112164232
版权

缺失值的统计和删除

缺失信息的统计

缺失数据可以使用 isna 或 isnull （两个函数没有区别）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：

df = pd.read_csv('G:/代码/joyful-pandas-master/data/learn_pandas.csv',usecols = ['Grade', 'Name', 'Gender', 'Height','Weight', 'Transfer'])
df.isna().head()
GradeNameGenderHeightWeightTransfer
0FalseFalseFalseFalseFalseFalse
1FalseFalseFalseFalseFalseFalse
2FalseFalseFalseFalseFalseFalse
3FalseFalseFalseTrueFalseFalse
4FalseFalseFalseFalseFalseFalse
df.isna().mean() # 查看缺失的比例 

Grade       0.000
Name        0.000
Gender      0.000
Height      0.085
Weight      0.055
Transfer    0.060
dtype: float64

如果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。例如，查看身高缺失的行：

df[df.Height.isna()].head()
GradeNameGenderHeightWeightTransfer
3SophomoreXiaojuan SunFemaleNaN41.0N
12SeniorPeng YouFemaleNaN48.0NaN
26JuniorYanli YouFemaleNaN48.0N
36FreshmanXiaojuan QinMaleNaN79.0Y
60FreshmanYanpeng LvMaleNaN65.0N
df[df.Height.notna()].head()
GradeNameGenderHeightWeightTransfer
0FreshmanGaopeng YangFemale158.946.0N
1FreshmanChangqiang YouMale166.570.0N
2SeniorMei SunMale188.989.0N
4SophomoreGaojuan YouMale174.074.0N
5FreshmanXiaoli QianFemale158.051.0N

如果想要同时对几个列，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。例如，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_set = df[['Height', 'Weight', 'Transfer']]

df[sub_set.isna().all(1)] # 全部缺失
GradeNameGenderHeightWeightTransfer
102JuniorChengli ZhaoMaleNaNNaNNaN
df[sub_set.isna().any(1)].head() # 至少有一个缺失
GradeNameGenderHeightWeightTransfer
3SophomoreXiaojuan SunFemaleNaN41.0N
9JuniorJuan XuFemale164.8NaNN
12SeniorPeng YouFemaleNaN48.0NaN
21SeniorXiaopeng ShenMale166.062.0NaN
26JuniorYanli YouFemaleNaN48.0N
df[sub_set.notna().all(1)].head() # 没有缺失
GradeNameGenderHeightWeightTransfer
0FreshmanGaopeng YangFemale158.946.0N
1FreshmanChangqiang YouMale166.570.0N
2SeniorMei SunMale188.989.0N
4SophomoreGaojuan YouMale174.074.0N
5FreshmanXiaoli QianFemale158.051.0N

缺失信息的删除

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，主要有 any 和 all 两种参数可以选择
  • 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

例如，删除身高体重至少有一个缺失的行：

res = df.dropna(how = 'any', subset = ['Height', 'Weight'])
res.shape 

(174, 6)

例如，删除超过15个缺失值的列：

res = df.dropna(1, thresh=df.shape[0]-15) # 身高被删除
res.head()
GradeNameGenderWeightTransfer
0FreshmanGaopeng YangFemale46.0N
1FreshmanChangqiang YouMale70.0N
2SeniorMei SunMale89.0N
3SophomoreXiaojuan SunFemale41.0N
4SophomoreGaojuan YouMale74.0N

当然，不用 dropna 同样是可行的，例如上述的两个操作，也可以使用布尔索引来完成：

res = df.loc[df[['Height', 'Weight']].notna().all(1)]
res.shape 

(174, 6)

res = df.loc[:, ~(df.isna().sum()>15)]
res.head()
GradeNameGenderWeightTransfer
0FreshmanGaopeng YangFemale46.0N
1FreshmanChangqiang YouMale70.0N
2SeniorMei SunMale89.0N
3SophomoreXiaojuan SunFemale41.0N
4SophomoreGaojuan YouMale74.0N

缺失值的填充和插值

利用fillna进行填充

在 fillna 中有三个参数是常用的： value, method, 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。

下面构造一个简单的 Series 来说明用法：

s = pd.Series([np.nan, 1, np.nan, np.nan, 2, np.nan],list('aaabcd'))
s 

a    NaN
a    1.0
a    NaN
b    NaN
c    2.0
d    NaN
dtype: float64

s.fillna(method='ffill') # 用前面的值向后填充 

a    NaN
a    1.0
a    1.0
b    1.0
c    2.0
d    2.0
dtype: float64

s.fillna(method='ffill', limit=1) # 连续出现的缺失，最多填充一次

a    NaN
a    1.0
a    1.0
b    NaN
c    2.0
d    2.0
dtype: float64

s.fillna(s.mean()) # value为标量 

a    1.5
a    1.0
a    1.5
b    1.5
c    2.0
d    1.5
dtype: float64

s.fillna({'a': 100, 'd': 200}) # 通过索引映射填充的值 

a    100.0
a      1.0
a    100.0
b      NaN
c      2.0
d    200.0
dtype: float64

有时为了更加合理地填充，需要先进行分组后再操作。例如，根据年级进行身高的均值填充：

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

Question: 对一个序列以如下规则填充缺失值：如果单独出现的缺失值，就用前后均值填充，如果连续出现的缺失值就不填充，即序列[1, NaN, 3, NaN, NaN]填充后为[1, 2, 3, NaN, NaN]，请利用 fillna 函数实现。（提示：利用 limit 参数）

s = pd.Series([1, np.nan, 3, np.nan, np.nan],list('abcde'))
s 

a    1.0
b    NaN
c    3.0
d    NaN
e    NaN
dtype: float64

s.fillna(s.mean(),limit=1) 

a    1.0
b    2.0
c    3.0
d    NaN
e    NaN
dtype: float64

插值函数

在关于 interpolate 函数的文档描述中，列举了许多插值法，包括了大量 Scipy 中的方法。由于很多插值方法涉及到比较复杂的数学知识，因此这里只讨论比较常用且简单的三类情况，即线性插值、最近邻插值和索引插值。

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。

s = pd.Series([np.nan,np.nan,1,np.nan,np.nan,np.nan,2,np.nan,np.nan])
s.values

array([nan, nan,  1., nan, nan, nan,  2., nan, nan])

例如，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 = s.interpolate(limit_direction='backward', limit=1)
res.values 

array([ nan, 1.  , 1.  ,  nan,  nan, 1.75, 2.  ,  nan,  nan])

res = s.interpolate(limit_direction='both', limit=1)
res.values

array([ 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：

s.interpolate('nearest').values 

array([nan, nan,  1.,  1.,  1.,  2.,  2., nan, nan])

最后来介绍索引插值，即根据索引大小进行线性插值。例如，构造不等间距的索引进行演示：

s = pd.Series([0,np.nan,10],index=[0,1,10])
s 

0      0.0
1      NaN
10    10.0
dtype: float64

s.interpolate() # 默认的线性插值，等价于计算中点的值

0      0.0
1      5.0
10    10.0
dtype: float64

s.interpolate(method='index') # 和索引有关的线性插值，计算相应索引大小对应的值 

0      0.0
1      1.0
10    10.0
dtype: float64

同时，这种方法对于时间戳索引也是可以使用的，这里举一个简单的例子：

s = pd.Series([0,np.nan,10],index=pd.to_datetime(['20200101','20200102','20200111']))
s 

2020-01-01     0.0
2020-01-02     NaN
2020-01-11    10.0
dtype: float64

s.interpolate() 

2020-01-01     0.0
2020-01-02     5.0
2020-01-11    10.0
dtype: float64

s.interpolate(method='index') 

2020-01-01     0.0
2020-01-02     1.0
2020-01-11    10.0
dtype: float64

关于polynomial和spline插值的注意事项：

在 interpolate 中如果选用 polynomial 的插值方法，它内部调用的是 scipy.interpolate.interp1d(*,*,kind=order) ，这个函数内部调用的是 make_interp_spline 方法，因此其实是样条插值而不是类似于 numpy 中的 polyfit 多项式拟合插值；而当选用 spline 方法时， pandas 调用的是 scipy.interpolate.UnivariateSpline 而不是普通的样条插值。这一部分的文档描述比较混乱，而且这种参数的设计也是不合理的，当使用这两类插值方法时，用户一定要小心谨慎地根据自己的实际需求选取恰当的插值方法。

Nullable类型

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：

None == None

True

None == False

False

None == []

False

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 ：

np.nan == np.nan

False

np.nan == None

False

np.nan == False

False

值得注意的是，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, np.nan])
s2 = pd.Series([1, 2])
s3 = pd.Series([1, np.nan])

s1 == 1

0     True
1    False
dtype: bool

s1.equals(s2)

False

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：

pd.to_timedelta(['30s', np.nan]) # Timedelta中的NaT

TimedeltaIndex(['0 days 00:00:30', NaT], dtype='timedelta64[ns]', freq=None)

pd.to_datetime(['20200101', np.nan]) # Datetime中的NaT

DatetimeIndex(['2020-01-01', 'NaT'], dtype='datetime64[ns]', freq=None)

那么为什么要引入 pd.NaT 来表示时间对象中的缺失呢？仍然以 np.nan 的形式存放会有什么问题？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 。例如，同时存放整数和字符串的列表：

pd.Series([1, 'two'])

0      1
1    two
dtype: object

NaT 问题的根源来自于 np.nan 的本身是一种浮点类型，而如果浮点和时间类型混合存储，如果不设计新的内置缺失类型来处理，就会变成含糊不清的 object 类型，这显然是不希望看到的。

type(np.nan)

float

同时，由于 np.nan 的浮点性质，如果在一个整数的 Series 中出现缺失，那么其类型会转变为 float64 ；而如果在一个布尔类型的序列中出现缺失，那么其类型就会转为 object 而不是 bool ：

pd.Series([1, np.nan]).dtype

dtype('float64')

pd.Series([True, False, np.nan]).dtype

dtype('O')

因此，在进入 1.0.0 版本后， pandas 尝试设计了一种新的缺失类型 pd.NA 以及三种 Nullable 序列类型来应对这些缺陷，它们分别是 Int, boolean 和 string。

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。例如，在上述三个 Nullable 类型中存储缺失值，都会转为 pandas 内置的 pd.NA ：

pd.Series([np.nan, 1], dtype = 'Int64') # "i"是大写的

0    <NA>
1       1
dtype: Int64

pd.Series([np.nan, True], dtype = 'boolean')

0    <NA>
1    True
dtype: boolean

pd.Series([np.nan, 'my_str'], dtype = 'string')

0      <NA>
1    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：

pd.Series([np.nan, 0], dtype = 'Int64') + 1

0    <NA>
1       1
dtype: Int64

pd.Series([np.nan, 0], dtype = 'Int64') == 0

0    <NA>
1    True
dtype: boolean

pd.Series([np.nan, 0], dtype = 'Int64') * 0.5 # 只能是浮点

0    NaN
1    0.0
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 ：
s = pd.Series(['a', 'b'])
s_bool = pd.Series([True, np.nan])
s_boolean = pd.Series([True, np.nan]).astype('boolean')

# s[s_bool] # 报错
# ValueError: Cannot mask with non-boolean array containing NA / NaN values

s[s_boolean]

0    a
dtype: object
  • 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 。

s_boolean & True

0    True
1    <NA>
dtype: boolean

s_boolean | True

0    True
1    True
dtype: boolean

~s_boolean # 取反操作同样是无法唯一地判断缺失结果

0    False
1     <NA>
dtype: boolean

关于 string 类型的具体性质将在后面的文本数据中进行讨论。

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('G:/代码/joyful-pandas-master/data/learn_pandas.csv')
df = df.convert_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

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：

s = pd.Series([2,3,np.nan,4,5])

s.sum()

14.0

s.prod()

120.0

当使用累计函数时，会自动跳过缺失值所处的位置：

s.cumsum()

0     2.0
1     5.0
2     NaN
3     9.0
4    14.0
dtype: float64

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 ：

np.nan == 0

False

pd.NA == 0

<NA>

np.nan > 0

False

pd.NA > 0

<NA>

np.nan + 1

nan

np.log(np.nan)

nan

np.add(np.nan, 1)

nan

np.nan ** 0

1.0

pd.NA ** 0

1

1 ** np.nan

1.0

1 ** pd.NA

1

另外需要注意的是， 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：

s.diff()

0    NaN
1    1.0
2    NaN
3    NaN
4    1.0
dtype: float64

s.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]})

df_nan
categoryvalue
0a1
1a3
2b5
3NaN7
4NaN9
df_nan.groupby('category',dropna=False)['value'].mean()

category
a      2
b      5
NaN    8
Name: value, dtype: int64

pd.get_dummies(df_nan.category, dummy_na=True)
abNaN
0100
1100
2010
3001
4001

练习

Ex1：缺失值与类别的相关性检验

在数据处理中，含有过多缺失值的列往往会被删除，除非缺失情况与标签强相关。下面有一份关于二分类问题的数据集，其中 X_1, X_2 为特征变量， y 为二分类标签。

df = pd.read_csv('G:/代码/joyful-pandas-master/data/missing_chi.csv')
df.head()
X_1X_2y
0NaNNaN0
1NaNNaN0
2NaNNaN0
343.0NaN0
4NaNNaN0
df.isna().mean()

X_1    0.855
X_2    0.894
y      0.000
dtype: float64

df.y.value_counts(normalize=True)

0    0.918
1    0.082
Name: y, dtype: float64

事实上，有时缺失值出现或者不出现本身就是一种特征，并且在一些场合下可能与标签的正负是相关的。关于缺失出现与否和标签的正负性，在统计学中可以利用卡方检验来断言它们是否存在相关性。按照特征缺失的正例、特征缺失的负例、特征不缺失的正例、特征不缺失的负例，可以分为四种情况，设它们分别对应的样例数为 n 11 , n 10 , n 01 , n 00 n_{11},n_{10},n_{01},n_{00} n11​,n10​,n01​,n00​。假若它们是不相关的，那么特征缺失中正例的理论值，就应该接近于特征缺失总数 × 总体正例的比例，即：
E 11 = n 11 ≈ ( n 11 + n 10 ) × n 11 + n 01 n 11 + n 10 + n 01 + n 00 = F 11 E_{11} = n_{11} \approx (n_{11}+n_{10})\times\frac{n_{11}+n_{01}}{n_{11}+n_{10}+n_{01}+n_{00}} = F_{11} E11​=n11​≈(n11​+n10​)×n11​+n10​+n01​+n00​n11​+n01​​=F11​
其他的三种情况同理。现将实际值和理论值分别记作 E i j , F i j E_{ij},F_{ij} Eij​,Fij​ ，那么希望下面的统计量越小越好，即代表实际值接近不相关情况的理论值：
S = ∑ i ∈ { 0 , 1 } ∑ j ∈ { 0 , 1 } ( E i j − F i j ) 2 F i j S = \sum_{i\in \{0,1\}}\sum_{j\in \{0,1\}} \frac{(E_{ij}-F_{ij})^2}{F_{ij}} S=i∈{0,1}∑​j∈{0,1}∑​Fij​(Eij​−Fij​)2​

可以证明上面的统计量近似服从自由度为 1 的卡方分布，即 S ∼ ⋅ χ 2 ( 1 ) S\overset{\cdot}{\sim} \chi^2(1) S∼⋅χ2(1)。。因此，可通过计算 P ( χ 2 ( 1 ) > S ) P(\chi^2(1)>S) P(χ2(1)>S) 的概率来进行相关性的判别，一般认为当此概率小于 0.05 时缺失情况与标签正负存在相关关系，即不相关条件下的理论值与实际值相差较大。的概率来进行相关性的判别，一般认为当此概率小于 0.05 时缺失情况与标签正负存在相关关系，即不相关条件下的理论值与实际值相差较大。

上面所说的概率即为统计学上关于 2×2 列联表检验问题的 p 值， 它可以通过 scipy.stats.chi2(S, 1) 得到。请根据上面的材料，分别对 X_1, X_2 列进行检验。

df = pd.read_csv('G:/代码/joyful-pandas-master/data/missing_chi.csv')
tep1 = df.X_1.fillna('NaN').mask(df.X_1.notna()).fillna("NotNaN")
tep1.head()

0       NaN
1       NaN
2       NaN
3    NotNaN
4       NaN
Name: X_1, dtype: object

tep2 = df.X_2.fillna('NaN').mask(df.X_2.notna()).fillna("NotNaN")
tep2.head()

0    NaN
1    NaN
2    NaN
3    NaN
4    NaN
Name: X_2, dtype: object

df1 = pd.crosstab(tep1, df.y, margins=True)
df1.head()
y01All
X_1
NaN78570855
NotNaN13312145
All918821000
df2 = pd.crosstab(tep2, df.y, margins=True)
df2.head()
y01All
X_2
NaN8940894
NotNaN2482106
All918821000
def fs(df):
    s = []
    for i in range(2):
        for j in range(2):
            E = df.iat[i, j]
            F = df.iat[i, 2]*df.iat[2, j]/df.iat[2,2]
            s.append((E-F)**2/F)
    return sum(s) 

res1 = fs(df1)

res2 = fs(df2)

from scipy.stats import chi2

chi2.sf(res1, 1) # X_1检验的p值 # 不能认为相关，剔除

0.9712760884395901

chi2.sf(res2, 1) # X_2检验的p值 # 认为相关，保留

7.459641265637543e-166

Ex2：用回归模型解决分类问题

KNN 是一种监督式学习模型，既可以解决回归问题，又可以解决分类问题。对于分类变量，利用 KNN 分类模型可以实现其缺失值的插补，思路是度量缺失样本的特征与所有其他样本特征的距离，当给定了模型参数 n_neighbors=n 时，计算离该样本距离最近的 n 个样本点中最多的那个类别，并把这个类别作为该样本的缺失预测类别，具体如下图所示，未知的类别被预测为黄色：

上面有色点的特征数据提供如下：

df = pd.read_excel('G:/代码/joyful-pandas-master/data/color.xlsx')
df.head(3)
X1X2Color
0-2.52.8Blue
1-1.51.8Blue
2-0.82.8Blue

已知待预测的样本点为 X1=0.8,X2=−0.2 ，那么预测类别可以如下写出：

from sklearn.neighbors import KNeighborsClassifier
clf = KNeighborsClassifier(n_neighbors=6)
clf.fit(df.iloc[:,:2], df.Color)

KNeighborsClassifier(n_neighbors=6)

clf.predict([[0.8, -0.2]])

array(['Yellow'], dtype=object)

  1. 对于回归问题而言，需要得到的是一个具体的数值，因此预测值由最近的 n 个样本对应的平均值获得。请把上面的这个分类问题转化为回归问题，仅使用 KNeighborsRegressor 来完成上述的 KNeighborsClassifier 功能。

  2. 请根据第1问中的方法，对 audit 数据集中的 Employment 变量进行缺失值插补。

df = pd.read_csv('G:/代码/joyful-pandas-master/data/audit.csv')
df.head(3)
IDAgeEmploymentMaritalIncomeGenderHours
0100464138PrivateUnmarried81838.00Female72
1101022935PrivateAbsent72099.00Male30
2102458732PrivateDivorced154676.74Male40
# 1
from sklearn.neighbors import KNeighborsRegressor

df = pd.read_excel('G:/代码/joyful-pandas-master/data/color.xlsx')

df_dummies = pd.get_dummies(df.Color)

stack_list = []

for col in df_dummies.columns:
    clf = KNeighborsRegressor(n_neighbors=6)
    clf.fit(df.iloc[:,:2], df_dummies[col])
    res = clf.predict([[0.8, -0.2]]).reshape(-1,1)
    stack_list.append(res) 

code_res = pd.Series(np.hstack(stack_list).argmax(1))

df_dummies.columns[code_res[0]]

'Yellow'

# 2
from sklearn.neighbors import KNeighborsRegressor

df = pd.read_csv('G:/代码/joyful-pandas-master/data/audit.csv')

res_df = df.copy()

df = pd.concat([pd.get_dummies(df[['Marital', 'Gender']]),df[['Age','Income','Hours']].apply(lambda x:(x-x.min())/(x.max()-x.min())), df.Employment],1)

X_train = df.query('Employment.notna()')

X_test = df.query('Employment.isna()')

df_dummies = pd.get_dummies(X_train.Employment)

stack_list = []

for col in df_dummies.columns:
    clf = KNeighborsRegressor(n_neighbors=6)
    clf.fit(X_train.iloc[:,:-1], df_dummies[col])
    res = clf.predict(X_test.iloc[:,:-1]).reshape(-1,1)
    stack_list.append(res)

code_res = pd.Series(np.hstack(stack_list).argmax(1))

cat_res = code_res.replace(dict(zip(list(range(df_dummies.shape[0])),df_dummies.columns)))

res_df.loc[res_df.Employment.isna(), 'Employment'] = cat_res.values

res_df.isna().sum()

ID            0
Age           0
Employment    0
Marital       0
Income        0
Gender        0
Hours         0
dtype: int64
sosososoon
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
第六章 缺失数据-学习笔记+练习题
qq_45396577的博客
12-26 1701
第六章 缺失数据 # 导入需要的模块 import numpy as np import pandas as pd 一、缺失值的统计和删除 1. 缺失信息的统计 缺失数据可以使用isna或isnull（两个函数没有区别）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： df = pd.read_csv('data/learn_pandas.csv', usecols = ['Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer']
Pandas-第六章缺失数据处理
u011588619的博客
06-23 2297
目录 一、缺失预测及其类型 二、缺失数据的运算与分组 三、填充与剔除 四、插值 线性插值 高级插值方法 interpolate中的限制参数 一、缺失预测及其类型 了解缺失值信息 df.isna() #或者df.列名.isna() df.info() df.notna()# 非空信息 df[~df.列名.isna()] 对空取反操作，就是找非空 求缺失个数 df.isna().sum() 通过布尔值选择缺失值所在行 df[df.列名.isna()]...
【pandas中fillna，interpolate和dropna函数及其参数】
最新发布
武帝为此的博客
06-05 357
函数用于填充缺失值，可以用一个具体值或者方法来填充。函数用于删除缺失值，可以删除包含NaN的行或列。函数用于插值缺失值，根据数据的趋势填补缺失值。
【Task07】Pandas之缺失数据
Xiao_Spring的博客
01-03 2047
前言 本章介绍pandas中的缺失数据，主要内容有： pandas中对np.nan的操作： 统计 、 删除 、 填充 、 插值 pandas中的Nullable类型及相关操作 在无特殊说明时，本章主要采用的df数据如下，不再重复说明： df = pd.read_csv('./data/learn_pandas.csv',usecols=['Grade','Name','Gender','Height','Weight','Transfer']) df 一、缺失值的统计和删除 1.缺失值的统计 我们
【Python系列】（二）Pandas常用函数
xuyh_yuhan的博客
03-29 233
Pandas常用函数整理
Python pandas.isna实例讲解
wuxiaopengnihao1的博客
11-01 4202
本文章向大家介绍Python pandas.isna实例讲解，主要分析其语法、参数、返回值和注意事项，并结合实例形式分析了其使用技巧，希望通过本文能帮助到大家理解应用这部分内容。
Pandas学习总结——6. 缺失数据处理
KF_Guan的博客
06-23 734
目录1 缺失值特性1.1 三种缺失值符号1.2 Nullable类型1.3 convert_dtypes方法2 缺失数据的运算规则2.1 普通运算2.2 groupby方法中的缺失值3 缺失数据的一些处理方法3.1 填充（fillna方法）3.2 剔除（dropna方法）3.3 插值（interpolation）3.3.1 线性插值3.3.2 高级插值方法3.3.3 interpolate中的参数 **内容简介：**本篇首先介绍Pandas中的三种缺失值符号，针对其弊端介绍Nullab
Pandas基础学习:处理缺失数据
qq_45019698的博客
06-22 1295
文章目录一、Task01：缺失数据二、理解点三、问题与练习1. 问题【问题一】 如何删除缺失值占比超过25%的列？【问题二】 什么是Nullable类型？请谈谈为什么要引入这个设计？【问题三】 对于一份有缺失值的数据，可以采取哪些策略或方法深化对它的了解？2. 练习【练习一】现有一份虚拟数据集，列类型分别为string/浮点/整型，请解决如下问题：（a）请以列类型读入数据，并选出C为缺失值的行。（b）现需要将A中的部分单元转为缺失值，单元格中的最小转换概率为25%，且概率大小与所在行B列单元的值成正比。【练
Pandas——练习题二——数据集
07-25
在Pandas练习中，我们经常涉及到数据预处理，包括缺失值处理、异常值检测、数据类型转换等。例如，处理缺失值可以使用`fillna()`或`dropna()`函数，而将字符串数据转换为数值型可以使用`pd.to_numeric()`。 数据...
python数据预处理（1）———缺失值处理
12-21
在进行数据分析项目、比赛中，一手...查看每一特征是否缺失及缺失值数量可能影响着处理缺失值的方法 df.isnull().sum() #查看每一列缺失值的数量 df.info() #查看每一列数据量和数据类型 删除缺失值 如果有些特征数
财报数据可视化 —— pandas数据分析，pyecharts可视化
06-03
在处理财报数据时，我们可以利用pandas读取CSV或Excel格式的财务报表，进行数据清洗、缺失值处理、数据转换和计算。例如，可以使用`pd.read_csv()`或`pd.read_excel()`函数导入数据，通过`dropna()`删除缺失值，使用...
学习pandas的数据
09-09
在数据分析领域，Pandas是一个不可或缺的工具，它为Python提供了高效的数据处理能力。"学习pandas的数据"这个主题涵盖了对Pandas库的深入理解和实践应用。以下是对Pandas的一些核心知识点的详细介绍： 1. **数据...
pandas inna()函数
m0_69097184的博客
07-25 837
在pandas中，`isna()`函数用于检测DataFrame或Series中的缺失值（NaN值）。它返回一个布尔值的DataFrame或Series，其中缺失值位置为True，非缺失值位置为False。
pandas中isna() 函数的应用
2301_81245389的博客
04-05 839
函数检查了 DataFrame 中的缺失值。结果显示 DataFrame 中第一列的第二个和第四个元素，以及第二列的第三个元素是缺失值，对应的值为。函数用于检查 DataFrame 或 Series 中的每个元素是否为缺失值（NaN）。如果元素是缺失值，则返回 True；否则返回 False。在这个示例中，我们创建了一个包含缺失值的 DataFrame，并使用。下面是一个示例，说明如何使用。
python0基础学数据分析-数据清洗
jeanne110的博客
07-17 238
重点： 1.缺失值空值的处理 1.1空值的查看 函数： df[df.Cabin.isna()] info（） isnull().sum() 1.2空值处理 1.2.1空值的删除 函数：dropna() 1.2.2空值的替换 函数：df[df['Age']==None]=0 df[df['Age'].isnull()] = 0 df[df['Age'] == np.nan] = 0 df[df.Age.isna()] 注意：空缺值的数据类型为float64所以用None一般索引不到，比
python中的np.add()用法
热门推荐
zou_albert的博客
01-06 2万+
@TOC python中的np.add()函数用法 使用numpy中的add()函数发现在矩阵相加的时候理解不是很清楚。把自己的理解记录在这里！ 官网的例子： Examples -------- >>> np.add(1.0, 4.0) 5.0 >>> x1 = np.arange(9.0).reshape((3, 3)) ...
含有缺失值特征之间的相关性分析
Big brother的博客
07-15 5579
方法1 Complete case analysis 假如要分析特征1和特征2之间的相关性，只考虑那些特征1和特征2都没有缺失的样本； 方法2 multiple imputation 多重插值 根据对某个缺失值构造的估计值个数的多少，可以分为单一插补法和多重插补法。 单一插补法：为每一个缺失值构造一个估计值，再对插补估计值后的数据集使用针对完整数据集分析的方法进行统计分析。 比如使用均值填充，但是...
找到df中的nan值
weixin_43852674的博客
02-20 2818
None, nan辨析 type(None) $ NoneType None == None $ True type(np.nan) $ float np.nan == np.nan $ False $ nothing equals to np.nan $ 所以不要想着用==判断是不是空值呀！！！ ...
Python之pandas：pandas中缺失值与空值处理的简介及常用函数(drop()、dropna()、isna()、isnull()、fillna())函数详解之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
09-09 6449
Python之pandas：pandas中缺失值与空值处理的简介及常用函数(drop()、dropna()、isna()、isnull()、fillna())函数详解之详细攻略 目录 pandas中缺失值与空值处理的简介 dropna()、isna()、isnull()、fillna()使用案例 pandas中缺失值与空值处理的常用函数(dropna()、fillna()、isnull()、isna()) 1、dropna() 删除缺失值 2、isna()显示缺失值、notna()#isna
Pandas Ch6：缺失数据处理与观测类型探索
本资源是关于Python编程语言中的Pandas库，特别是针对第六章内容——处理缺失数据的深入学习。Pandas是数据分析和操作数据集的强大工具，其在数据清洗和预处理阶段常常会遇到缺失值的问题。本章节内容涵盖了以下几个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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