3.1数据清洗
缺失值,异常值和重复值的处理
3.1.1缺失值处理
- 数据缺失分类
- 行记录缺失,实际上就是记录丢失
- 数据列值缺失,数据记录中某些列值空缺
- 数据库 Null
- Python返回对象None
- Pandas Numpy NaN
- 个别情况下,部分缺失值会使用空字符串代替
- 缺失值处理方式
- 直接删除带有缺失值的行记录(整行删除)或者列字段(整列删除),删除意味着会消减数据特征,不适合直接删除缺失值的情况:
- 数据记录不完整情况且比例较大(如超过10%),删除会损失过多有用信息。
- 带有缺失值的数据,记录大量存在着明显的数据分布规律的特征
- 带有缺失值的数据,记录的目标标签(即分类中的Label变量)主要集中于某一类或几类,如果删除这些数据记录将使对应分类的数据样本丢失大量特征信息,导致模型过拟合或分类不准确。
- 填充缺失值相对直接删除而言,用适当方式填充缺失值,形成完整的数据记录是更加常用的缺失值处理方式。常用的填充方法如下:
- 统计法
- 对于数值型的数据,使用均值、加权均值、中位数等方填充
- 对于分类型数据,使用类别众数最多的值填充。
- 统计法
- 直接删除带有缺失值的行记录(整行删除)或者列字段(整列删除),删除意味着会消减数据特征,不适合直接删除缺失值的情况: