python缺失值与异常值处理_pandas学习(常用数学统计方法总结、读取或保存数据、缺省值和异常值处理)...

pandas学习(常用数学统计方法总结、读取或保存数据、缺省值和异常值处理)

目录

常用数学统计方法总结

读取或保存数据

缺省值和异常值处理

常用数学统计方法总结

count 计算非NA值的数量

describe 针对Series或DataFrame列计算统计

min/max/sum 计算最小值 最大值 总和

argmin argmax 计算能够获取到最小值和最大值的索引位置(整数)

idxmin idxmax 计算能够获取到最小值和最大值的索引值

quantile 计算样本的分位数(0到1)

mean 值的平均数

median 值的中位数

mad 根据平均值计算平均绝对距离差

var 样本数值的方差

std 样本值的标准差

cumsum 样本值的累计和

cummin cummax 样本的累计最小值 最大值

cumprod 样本值的累计积

pct_change 计算百分数变化

读取或保存数据

读取数据

pandas可以从外部获取数据，构建数据对象，例如xlsx后缀的ececl文件,csv文件，txt文本等

下面以txt文件举例：

先创建txt文本

读取txt文本数据

#读取txt文件

import pandas as pd

# df = pd.read_csv(‘data1.txt‘,sep=‘:‘) #默认sep=‘,‘以什么分割数据，默认逗号

# print("data01.csv文件的原始数据==========================")

# print(df)

df = pd.read_csv(‘data1.txt‘,sep=‘:‘,header=None) #默认sep=‘,‘,header:去除表头,添加默认下标

print("data01.csv文件的原始数据==========================")

print(df)

#读取excel文件

# df=pd.read_excel(‘data2.xlsx‘)

# print(df)

0 1 2

0 张伊曼 27 90

1 张巧玲 27 90

2 张诗诗 27 90

3 张思思 27 90

保存数据

df.to_csv(‘data1.csv‘) #保存为csv文件

df.to_excel(‘data2.xlsx‘) #保存为xlsx

缺省值和异常值处理

缺省值

什么是缺省值

null/None/NaN

null经常出现在数据库中

None是python中的缺失值，类型是NoneType

NaN也是python中的缺失值，意思是不是一个数字，类型是float

在pandas和Numpy中会将None替换为NaN，而导入数据库中的时候则需要把NaN替换成None

缺失值处理方法

pandas中缺省值NaN的4种处理方法:1 isnull 2 notnull 3 dropna 4 fillna

方法 说明

dropna 根据标签中的缺失值进行过滤，删除缺失值

fillna 对缺失值进行填充

isnull 返回一个布尔值对象 ，判断 哪些值是缺失值

notnull isnull的否定式

判断缺省值

import numpy as np

import pandas as pd

df = pd.DataFrame(np.arange(12).reshape(3,4),index=[‘a‘,‘b‘,‘c‘],columns=[‘A‘, ‘B‘, ‘C‘, ‘D‘])

#

print(df)

#判断全部值的缺省值

d1=df.isnull()

print(d1)

#在某行中判断缺省值

d2=df[0:1].isnull()

print(d2)

#在某列中# ‘A‘列判断缺省值

d3=df[‘A‘].isnull()

print(d3)

A B C D

a 0 1 2 3

b 4 5 6 7

c 8 9 10 11

A B C D

a False False False False

b False False False False

c False False False False

A B C D

a False False False False

a False

b False

c False

Name: A, dtype: bool

删除缺省值

常用参数解释：

how:‘all‘,删除全为空值的行或列

inplace=True:覆盖之前的数据

axis=0:选择行或列

import numpy as np

import pandas as pd

dict0 = {

‘语文‘: [90, 80, 60],

‘数学‘: [99, 70, 89],

‘外语‘: [98, 10, 75],

‘物理‘: 90

}

df0 = pd.DataFrame(dict0)

#

df0[‘数学‘][1] = np.nan

#

print("df0原数据===============================")

print(df0)

print("df0.dropna()===============================")

print(df0.dropna()) #默认删除有缺省值所在的行

print("df0.dropna(axis=1)===============================")

print(df0.dropna(axis=1)) #默认删除有缺省值所在的列

print("df0.dropna(how=‘all‘,axis=1)===============================")

df0.ix[1] = np.nan

print(df0.dropna(how=‘all‘)) #当所有元素是缺省值的时候 才删除

print("df0.dropna(how=‘any‘,axis=1)===============================")

df0[‘外语‘][0] = np.nan

print(df0.dropna(how=‘any‘)) #当所有元素有一个是缺省值的时候 才删除

语文 数学 外语 物理

0 90 99.0 98 90

1 80 NaN 10 90

2 60 89.0 75 90

df0.dropna()===============================

语文 数学 外语 物理

0 90 99.0 98 90

2 60 89.0 75 90

df0.dropna(axis=1)===============================

语文 外语 物理

0 90 98 90

1 80 10 90

2 60 75 90

df0.dropna(how=‘all‘,axis=1)===============================

语文 数学 外语 物理

0 90.0 99.0 98.0 90.0

2 60.0 89.0 75.0 90.0

填充缺失值

注意：在这里inplace会修改原始数据，并自动保存

import numpy as np

import pandas as pd

dict0 = {

‘语文‘: [90, 80, 60],

‘数学‘: [99, 70, 89],

‘外语‘: [98, 10, 75],

‘物理‘:None

}

df0 = pd.DataFrame(dict0)

print(‘df0的原始数据=================================‘)

print(df0)

print(‘将所有的缺省的数据填充为1=================================‘)

print(df0.fillna(1))#参数为填入值，可以为单个值，也可以为列表

print(‘将找到的缺省数据填充为平均值=================================‘)

print(df0.fillna(df0[‘语文‘].mean()))#结合numpy的数学运算函数,求平均值

print(df0[‘物理‘].fillna(df0[‘语文‘].mean()))#结合numpy的数学运算函数,求平均值,当然pandas自己也有自己的方法

df0的原始数据=================================

语文 数学 外语 物理

0 90 99 98 None

1 80 70 10 None

2 60 89 75 None

将所有的缺省的数据填充为1=================================

语文 数学 外语 物理

0 90 99 98 1

1 80 70 10 1

2 60 89 75 1

将找到的缺省数据填充为平均值=================================

语文 数学 外语 物理

0 90 99 98 76.666667

1 80 70 10 76.666667

2 60 89 75 76.666667

0 76.666667

异常值处理

异常值就是与你想要获取的值偏差太大或者不是想要的值

先用条件判断筛选出来

再进行怎样的处理看需要

数据去重

unique方法用于获取Series或DataFrame某列中的唯一值数组(去重数据后的数组)

value_counts方法用于计算一个Series或DataFrame某列中各值的出现频率

isin方法用于判断矢量化集合的成员资格,是否在里面,可用于选取Series中或DataFrame列中数据的子集

这里演示的是Series类型数据

import numpy as np

import pandas as pd

s1 = pd.Series([‘a‘, ‘b‘, ‘c‘, ‘b‘, ‘a‘])

print("s1的原始数据==============================")

print(s1)

#

print("数据去重方法:s1.unique()==============================")

print(s1.unique()) #注意:s1.unique()返回的类型也是Series

#

print("单个值出现的个数:s1.value_counts()[‘a‘]==============================")

print(s1.value_counts()[‘a‘])

#

print("值是否存在的方法:s1.isin([‘a‘, ‘b‘])==============================")

print(s1.isin([‘a‘, ‘b‘]))

s1的原始数据==============================

0 a

1 b

2 c

3 b

4 a

dtype: object

数据去重方法:s1.unique()==============================

[‘a‘ ‘b‘ ‘c‘]

单个值出现的个数:s1.value_counts()[‘a‘]==============================

2

值是否存在的方法:s1.isin([‘a‘, ‘b‘])==============================

0 True

1 True

2 False

3 True

4 True

dtype: bool

原文地址：https://www.cnblogs.com/-wenli/p/10274932.html