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_isna/isnull/notna
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()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | False | False | False | False | False | False |
1 | False | False | False | False | False | False |
2 | False | False | False | False | False | False |
3 | False | False | False | True | False | False |
4 | False | False | False | False | False | False |
df.isna().mean() # 查看缺失的比例
Grade 0.000
Name 0.000
Gender 0.000
Height 0.085
Weight 0.055
Transfer 0.060
dtype: float64
查看某一列缺失或者非缺失的行: 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()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
12 | Senior | Peng You | Female | NaN | 48.0 | NaN |
26 | Junior | Yanli You | Female | NaN | 48.0 | N |
36 | Freshman | Xiaojuan Qin | Male | NaN | 79.0 | Y |
60 | Freshman | Yanpeng Lv | Male | NaN | 65.0 | N |
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: 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
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
102 | Junior | Chengli Zhao | Male | NaN | NaN | NaN |
df[sub_set.isna().any(1)].head() # 至少有一个缺失
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
9 | Junior | Juan Xu | Female | 164.8 | NaN | N |
12 | Senior | Peng You | Female | NaN | 48.0 | NaN |
21 | Senior | Xiaopeng Shen | Male | 166.0 | 62.0 | NaN |
26 | Junior | Yanli You | Female | NaN | 48.0 | N |
df[sub_set.notna().all(1)].head() # 没有缺失
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
1 | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
2 | Senior | Mei Sun | Male | 188.9 | 89.0 | N |
4 | Sophomore | Gaojuan You | Male | 174.0 | 74.0 | N |
5 | Freshman | Xiaoli Qian | Female | 158.0 | 51.0 | N |
2. 缺失信息的删除_dropna
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
:主要有any
和all
两种参数可以选择、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
。
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
# (174, 6)
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()
Grade | Name | Gender | Weight | Transfer | |
---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 46.0 | N |
1 | Freshman | Changqiang You | Male | 70.0 | N |
2 | Senior | Mei Sun | Male | 89.0 | N |
3 | Sophomore | Xiaojuan Sun | Female | 41.0 | N |
4 | Sophomore | Gaojuan You | Male | 74.0 | N |
例如上述的两个操作,也可以用布尔索引完成:
res = df.loc[df[['Height', 'Weight']].notna().all(1)]
res.shape
# (174, 6)
res = df.loc[:, ~(df.isna().sum()>15)]
二、缺失值的填充和插值
1. 缺失信息的填充_fillna
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'))
a NaN
a 1.0
a NaN
b NaN
c 2.0
d NaN
dtype: float64
s.fillna(method='ffill') # 用前面的值向后填充
# a NaN
# a 1.0
# a 1.0
# b 1.0
# c 2.0
# d 2.0
# dtype: float64
s.fillna(method='ffill', limit=1) # 连续出现的缺失,最多填充一次
# a NaN
# a 1.0
# a 1.0
# b NaN
# c 2.0
# d 2.0
# dtype: float64
s.fillna(s.mean()) # value为标量
# a 1.5
# a 1.0
# a 1.5
# b 1.5
# c 2.0
# d 1.5
# dtype: float64
s.fillna({'a': 100, 'd': 200}) # 通过索引映射填充的值
# a 100.0
# a 1.0
# a 100.0
# b NaN
# c 2.0
# d 200.0
# dtype: float64
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()
0 158.900000
1 166.500000
2 188.900000
3 163.075862
4 174.000000
Name: Height, dtype: float64
【NOTE】前后均值填充
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)
import pandas as pd
import numpy as np
s = pd.Series([1, np.NaN, 3, np.NaN, np.NaN])
print(s)
def convert_series(s):
s1 = s.fillna(method='ffill',limit=1)
s2 = s.fillna(method='bfill',limit=1)
return (s1+s2)/2
print(convert_series(s))
2. 插值函数_interpolate
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
# array([nan, nan, 1., nan, nan, nan, 2., nan, nan])
默认线性插值法
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
# array([ nan, 1. , 1. , nan, nan, 1.75, 2. , nan, nan])
res = s.interpolate(limit_direction='both', limit=1)
res.values
# array([ nan, 1. , 1. , 1.25, nan, 1.75, 2. , 2. , nan])
最近邻插补
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
# array([nan, nan, 1., 1., 1., 2., 2., nan, nan])
索引插值
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])
# 0 0.0
# 1 NaN
# 10 10.0
# dtype: float64
s.interpolate() # 默认的线性插值,等价于计算中点的值
# 0 0.0
# 1 5.0
# 10 10.0
# dtype: float64
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
# 0 0.0
# 1 1.0
# 10 10.0
# dtype: float64
同时,这种方法对于时间戳索引也是可以使用的,有关时间序列的详细介绍将在后续展开,这里举一个简单的例子:
s = pd.Series([0,np.nan,10], index=pd.to_datetime(['20200101', '20200102', '20200111']))
# 2020-01-01 0.0
# 2020-01-02 NaN
# 2020-01-11 10.0
# dtype: float64
s.interpolate()
# 2020-01-01 0.0
# 2020-01-02 5.0
# 2020-01-11 10.0
# dtype: float64
s.interpolate(method='index')
# 2020-01-01 0.0
# 2020-01-02 1.0
# 2020-01-11 10.0
# dtype: float64
【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序列类型
1. 缺失记号及其缺陷
python中缺失值用None
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
# True
None == False
# False
None == []
# False
None == ''
# False
numpy中缺失值用np.nan
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
# False
np.nan == None
# False
np.nan == False
# False
注意: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
# 0 True
# 1 False
# dtype: bool
s1.equals(s2)
# False
s1.equals(s3)
# True
时间序列中用pd.NaT
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后续博文中讨论):
pd.to_timedelta(['30s', np.nan]) # Timedelta中的NaT
# TimedeltaIndex(['0 days 00:00:30', NaT], dtype='timedelta64[ns]', freq=None)
pd.to_datetime(['20200101', np.nan]) # Datetime中的NaT
# DatetimeIndex(['2020-01-01', 'NaT'], dtype='datetime64[ns]', freq=None)
作用一致为何还要引入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'])
# 0 1
# 1 two
# dtype: object
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)
# float
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
# dtype('float64')
pd.Series([True, False, np.nan]).dtype
# dtype('O')
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
# 0 <NA>
# 1 1
# dtype: Int64
pd.Series([np.nan, True], dtype = 'boolean')
# 0 <NA>
# 1 True
# dtype: boolean
pd.Series([np.nan, 'my_str'], dtype = 'string')
# 0 <NA>
# 1 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
# 0 <NA>
# 1 1
# dtype: Int64
pd.Series([np.nan, 0], dtype = 'Int64') == 0
# 0 <NA>
# 1 True
# dtype: boolean
pd.Series([np.nan, 0], dtype = 'Int64') * 0.5 # 只能是浮点
# 0 NaN
# 1 0.0
# dtype: float64
boolean VS bool
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]
# 0 a
# dtype: object
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
# 0 True
# 1 <NA>
# dtype: boolean
s_boolean | True
# 0 True
# 1 True
# dtype: boolean
~s_boolean # 取反操作同样是无法唯一地判断缺失结果
# 0 False
# 1 <NA>
# dtype: boolean
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
School string
Grade string
Name string
Gender string
Height float64
Weight Int64
Transfer string
Test_Number Int64
Test_Date string
Time_Record string
dtype: object
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()
# 14.0
s.prod()
# 120.0
当使用累计函数时,会自动跳过缺失值所处的位置:
s.cumsum()
# 0 2.0
# 1 5.0
# 2 NaN
# 3 9.0
# 4 14.0
# dtype: float64
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
# False
pd.NA == 0
# <NA>
np.nan > 0
# False
pd.NA > 0
# <NA>
np.nan + 1
# nan
np.log(np.nan)
# nan
np.add(np.nan, 1)
# nan
np.nan ** 0
# 1.0
pd.NA ** 0
# 1
1 ** np.nan
# 1.0
1 ** pd.NA
# 1
diff VS 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 = pd.Series([2,3,np.nan,4,5])
s.diff()
# 0 NaN
# 1 1.0
# 2 NaN
# 3 NaN
# 4 1.0
# dtype: float64
s.pct_change()
# 0 NaN
# 1 0.500000
# 2 0.000000
# 3 0.333333
# 4 0.250000
# dtype: float64
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
category | value | |
---|---|---|
0 | a | 1 |
1 | a | 3 |
2 | b | 5 |
3 | NaN | 7 |
4 | NaN | 9 |
df_nan.groupby('category', dropna=False)['value'].mean() # pandas版本大于1.1.0
category
a 2
b 5
NaN 8
Name: value, dtype: int64
pd.get_dummies(df_nan.category, dummy_na=True)
a | b | NaN | |
---|---|---|---|
0 | 1 | 0 | 0 |
1 | 1 | 0 | 0 |
2 | 0 | 1 | 0 |
3 | 0 | 0 | 1 |
4 | 0 | 0 | 1 |