pandas_6 缺失数据

最新推荐文章于 2024-06-05 10:59:34 发布

奥瑞给给~~

最新推荐文章于 2024-06-05 10:59:34 发布

阅读量575

点赞数 1

分类专栏： pandas 文章标签：数据分析数据挖掘 python

原文链接：https://github.com/datawhalechina/joyful-pandas

版权

pandas 专栏收录该内容

11 篇文章 0 订阅

订阅专栏

本文介绍了如何使用pandas处理缺失值，包括统计缺失数据、删除含有缺失值的行或列、使用fillna进行填充（包括前后均值填充和常用插值方法）以及interpolate函数进行插值操作。还讲解了Nullable序列类型及其在处理缺失数据中的优势和特性。

摘要由CSDN通过智能技术生成

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（ $\color{red}{非缺失值}$ 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])

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