文章目录
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'])
df.isna().head()
df.isna().mean() # 查看缺失的比例
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()
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
df[sub_set.isna().any(1)].head() # 至少有一个缺失
df[sub_set.notna().all(1)].head() # 没有缺失
2. 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
、删除的非缺失值个数阈值thresh
(
非缺失值
\color{red}{非缺失值}
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
,其中how
主要有any
和all
两种参数可以选择。
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
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()
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
res = df.loc[:, ~(df.isna().sum()>15)]
res.head()
二、缺失值的填充和插值
1. 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
s.fillna(method='ffill') # 用前面的值向后填充
s.fillna(method='ffill', limit=1) # 连续出现的缺失,最多填充一次
s.fillna(s.mean()) # value为标量
s.fillna({'a': 100, 'd': 200}) # 通过索引映射填充的值
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()
【练一练】
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])
s
首先利用ffill方法进行前向填充构造一个新序列s1,limit设置为1:
s1 = s.fillna(method='ffill',limit=1)
s1
然后再利用bfill方法在对s序列进行后项填充构造新序列s2,limit依旧设置为1。
s2 = s.fillna(method='bfill',limit=1)
s2
最后将得到的两个序列相加进行求平均即可。
为什么能得到结果呢,是因为对于NaN来说,不管加上什么值还是NaN。
s_new = (s1+s2)/2
s_new
最后给出总结的函数:
def convert_series(s):
s1 = s.fillna(method='ffill',limit=1)
s2 = s.fillna(method='bfill',limit=1)
return (s1+s2)/2
convert_series(s)
2. 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
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
res = s.interpolate(limit_direction='both', limit=1)
res.values
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
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
s.interpolate() # 默认的线性插值,等价于计算中点的值
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
同时,这种方法对于时间戳索引也是可以使用的,有关时间序列的其他话题会在第十章进行讨论,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
s.interpolate()
s.interpolate(method='index')
【NOTE】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。
三、Nullable类型
1. 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
None == False
None == []
None == ''
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
np.nan == None
np.nan == 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
s1.equals(s2)
s1.equals(s3)
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(时间序列的对象和构造将在第十章讨论):
pd.to_timedelta(['30s', np.nan]) # Timedelta中的NaT
pd.to_datetime(['20200101', np.nan]) # Datetime中的NaT
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'])
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)
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
pd.Series([True, False, np.nan]).dtype
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
。
2. 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
pd.Series([np.nan, True], dtype = 'boolean')
pd.Series([np.nan, '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
pd.Series([np.nan, 0], dtype = 'Int64') == 0
pd.Series([np.nan, 0], dtype = 'Int64') * 0.5 # 只能是浮点
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
s[s_boolean]
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
s_boolean | True
~s_boolean # 取反操作同样是无法唯一地判断缺失结果
关于string
类型的具体性质将在下一章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('../data/learn_pandas.csv')
df = df.convert_dtypes()
df.dtypes
3. 缺失数据的计算和分组
当调用函数sum, prod
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()
s.prod()
当使用累计函数时,会自动跳过缺失值所处的位置:
s.cumsum()
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
pd.NA == 0
np.nan > 0
pd.NA > 0
np.nan + 1
np.log(np.nan)
np.add(np.nan, 1)
np.nan ** 0
pd.NA ** 0
1 ** np.nan
1 ** pd.NA
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()
s.pct_change()
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
df_nan.groupby('category', dropna=False)['value'].mean() # pandas版本大于1.1.0
pd.get_dummies(df_nan.category, dummy_na=True)
四、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('../data/missing_chi.csv')
df.head()
df.isna().mean()
df.y.value_counts(normalize=True)
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
×
\times
×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+n00n11+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 1 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 0.05 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
2\times2
2×2列联表检验问题的
p
p
p值, 它可以通过scipy.stats.chi2.sf(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('../data/missing_chi.csv')
cat_1 = df.X_1.fillna('NaN').mask(df.X_1.notna()).fillna("NotNaN")
cat_2 = df.X_2.fillna('NaN').mask(df.X_2.notna()).fillna("NotNaN")
df_1 = pd.crosstab(cat_1, df.y, margins=True)
df_2 = pd.crosstab(cat_2, df.y, margins=True)
def compute_S(my_df):
S = []
for i in range(2):
for j in range(2):
E = my_df.iat[i, j]
F = my_df.iat[i, 2]*my_df.iat[2, j]/my_df.iat[2,2]
S.append((E-F)**2/F)
return sum(S)
res1 = compute_S(df_1)
res2 = compute_S(df_2)
from scipy.stats import chi2
chi2.sf(res1, 1) # X_1检验的p值 # 不能认为相关,剔除
chi2.sf(res2, 1) # X_2检验的p值 # 认为相关,保留
结果与scipy.stats.chi2_contingency
在不使用
Y
a
t
e
s
Yates
Yates修正的情况下完全一致:
from scipy.stats import chi2_contingency
chi2_contingency(pd.crosstab(cat_1, df.y), correction=False)[1]
chi2_contingency(pd.crosstab(cat_2, df.y), correction=False)[1]
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
n
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('../data/color.xlsx')
df.head(3)
已知待预测的样本点为
X
1
=
0.8
,
X
2
=
−
0.2
X_1=0.8, X_2=-0.2
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)
clf.predict([[0.8, -0.2]])
- 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
n
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。
df = pd.read_csv('../data/audit.csv')
df.head(3)
from sklearn.neighbors import KNeighborsRegressor
df = pd.read_excel('../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]]
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。
from sklearn.neighbors import KNeighborsRegressor
df = pd.read_csv('../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)
# 这里参考答案用的query一直报错,还没仔细想好如何解决
# X_train = df.query('Employment.notna()')
# X_test = df.query('Employment.isna()')
# 报错结果: 'Series' objects are mutable, thus they cannot be hashed
# 先不用query 方法,用loc方法解决问题
X_train = df.loc[df['Employment'].notna()]
X_test = df.loc[df['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()
参考资料
https://blog.csdn.net/qq_41358220/article/details/112132950
https://blog.csdn.net/qq_45396577/article/details/111730827