python缺失值处理 fillna能否用scala来处理_数据清洗（一）丨处理缺失数据

原标题：数据清洗(一)丨处理缺失数据

其实数据分析中80%的时间都是在数据清理部分，而为什么要进行数据清洗呢？

因为在实际生产环境中，存在大量“脏”数据

✔不完整数据：缺少感兴趣属性，感兴趣属性缺少部分属性值。

✔异常数据：数据中包含错误的信息，存在着部分偏离期望值的孤立点。

✔不一致数据：数据值的不一致性。

接下来课程将为大家介绍数据清洗及数据联结的相关内容。

1.1 Handling Missing Data

在pandas中，missing data呈现的方式有些缺点的，但对大部分用户能起到足够的效果。对于数值型数据，pandas用浮点值Nan(Not a Number)来表示缺失值。我们称之为识别符(sentinel value)，这种值能被轻易检测到：

在pandas中，我们使用了R语言中的一些传统，把缺失值表示为NA(not available)。在统计应用里，NA数据别是要么是数据不存在，要么是存在但不能被检测到。做数据清理的时候，对缺失值做分析是很重要的，我们要确定是否是数据收集的问题，或者缺失值是否会带来潜在的偏见。

内建的Python None值也被当做NA：

1.2 Filtering Out Missing Data

过滤缺失值

有一些方法来过滤缺失值。可以使用pandas.isnull和boolean indexing, 配合使用dropna。对于series，只会返回non-null数据和index values:

上面的等同于：

对于DataFrame，会复杂一些。你可能想要删除包含有NA的row和column。dropna默认会删除包含有缺失值的row：

设定how=all只会删除那些全是NA的行：

删除列也一样，设置axis=1:

一种删除DataFrame row的相关应用是是time series data。假设你想要保留有特定数字的观测结果，可以使用thresh参数：

1.3 Filling In Missing Data

填补缺失值

不是删除缺失值，而是用一些数字填补。对于大部分目的，fillna是可以用的。调用fillna的时候设置好一个常用用来替换缺失值：

给fillna传入一个dict，可以给不同列替换不同的值：

fillna返回一个新对象，但你可以使用in-place来直接更改原有的数据：

在使用fillna的时候，这种插入法同样能用于reindexing：

使用fillna可以我们做一些颇有创造力的事情。比如，可以传入一个series的平均值或中位数：

如果觉得本文对您有帮助，给我点个「在看」

关于Python基础的其他文章

在看点这里

责任编辑：