机器学习实战:这里没有艰深晦涩的数学理论,我们将用简单的案例和大量的示例代码,向大家介绍机器学习的核心概念。我们的目标是教会大家用Python构建机器学习模型,解决现实世界的难题。
现实和教程最大的区别之一是,现实的数据集是混乱不堪的,数据科学家90%的时间都花在数据预处理上,其中就包括处理缺失值(missing values)。
Python做数据科学项目时通常用Pandas存储数据,所以我们重点讨论如何用Pandas处理缺失值。
1. 如何表示缺失值
用python处理数据主要通过numpy和pandas实现,所以首先要理解它们是如何表示缺失值的。
import pandas as pd
import numpy as np
Python用None表示缺失值,如果创建一个包含None的列表,是无法直接进行数值运算的,调用mean,sum等数值计算函数会引发’TypeError’.
l = [1, 2, None, 4]
l
[1, 2, None, 4]
创建一个包含None的numpy数组。
nums = np.array([1, 2, None, 4])
nums
array([1, 2, None, 4], dtype=object)
dtype=object,当数组包含None,numpy将数组的类型推断为’object’,即包含原生的python对象,同样无法进行数值运算。
try:
np.sum(nums)
except Exception as e:
print(e)
unsupported operand type(s) for +: 'int' and 'NoneType'
Numpy提供了一种特殊的数据类型,np.nan,表示缺失值,就本质上而言,它是浮点值。
arr = np.array([1, 2, np.nan, 4