上一节:
下一节:

  Python 数据科学之数据清洗

  • 简述

    在现实生活场景中，丢失数据始终是一个问题。由于缺失值导致数据质量不佳，机器学习和数据挖掘等领域在模型预测的准确性方面面临严重问题。在这些领域，缺失值处理是使他们的模型更加准确和有效的主要焦点。

  • 何时以及为什么会丢失数据？

    让我们考虑一个产品的在线调查。很多时候，人们不会分享与他们相关的所有信息。很少有人分享他们的经验，但不分享他们使用产品的时间；很少有人分享他们使用该产品的时间、他们的体验，但没有分享他们的联系信息。因此，以某种或其他方式总是丢失部分数据，这在实时中非常常见。
    现在让我们看看如何使用 Pandas 处理缺失值（比如 NA 或 NaN）。 
    
# import the pandas library
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df
    它的output如下 - 
    
         one        two      three
a   0.077988   0.476149   0.965836
b        NaN        NaN        NaN
c  -0.390208  -0.551605  -2.301950
d        NaN        NaN        NaN
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
g        NaN        NaN        NaN
h   0.085100   0.532791   0.887415
    使用重新索引，我们创建了一个缺失值的 DataFrame。在输出中，NaN方法Not a Number.

    检查缺失值

    为了使检测缺失值更容易（以及跨不同的数组 dtype），Pandas 提供了isnull()和notnull()函数，它们也是 Series 和 DataFrame 对象的方法 -

    例子

    
import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df['one'].isnull()
    它的output如下 - 
    
a  False
b  True
c  False
d  True
e  False
f  False
g  True
h  False
Name: one, dtype: bool

  • 清理/填充缺失数据

    Pandas 提供了多种清理缺失值的方法。fillna 函数可以通过多种方式用非空数据“填充”NA 值，我们将在以下部分进行说明。

  • 将 NaN 替换为标量值

    以下程序显示了如何将“NaN”替换为“0”。 
    
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(3, 3), index=['a', 'c', 'e'],columns=['one',
'two', 'three'])
df = df.reindex(['a', 'b', 'c'])
print df
print ("NaN replaced with '0':")
print df.fillna(0)
    它的output如下 - 
    
         one        two     three
a  -0.576991  -0.741695  0.553172
b        NaN        NaN       NaN
c   0.744328  -1.735166  1.749580
NaN replaced with '0':
         one        two     three
a  -0.576991  -0.741695  0.553172
b   0.000000   0.000000  0.000000
c   0.744328  -1.735166  1.749580
    在这里，我们用零值填充；相反，我们也可以填充任何其他值。

  • 向前和向后填充 NA

    使用重新索引章节中讨论的填充概念，我们将填充缺失值。
    方法 动作
    pad/fill 填充方法转发
    bfill/backfill 向后填充方法

    例子

    
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.fillna(method='pad')
    它的output如下 - 
    
         one        two      three
a   0.077988   0.476149   0.965836
b   0.077988   0.476149   0.965836
c  -0.390208  -0.551605  -2.301950
d  -0.390208  -0.551605  -2.301950
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
g  -0.930230  -0.670473   1.146615
h   0.085100   0.532791   0.887415

  • 删除缺失值

    如果您想简单地排除缺失值，请使用dropna功能与axis争论。默认情况下，axis=0，即沿行，这意味着如果行内的任何值是 NA，则排除整行。

    例子

    
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.dropna()
    它的output如下 - 
    
         one        two      three
a   0.077988   0.476149   0.965836
c  -0.390208  -0.551605  -2.301950
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
h   0.085100   0.532791   0.887415

  • 替换缺失（或）通用值

    很多时候，我们必须用一些特定的值替换一个通用的值。我们可以通过应用替换方法来实现这一点。
    将 NA 替换为标量值是fillna()功能。

    例子

    
import pandas as pd
import numpy as np
df = pd.DataFrame({'one':[10,20,30,40,50,2000],
'two':[1000,0,30,40,50,60]})
print df.replace({1000:10,2000:60})
    它的output如下 - 
    
   one  two
0   10   10
1   20    0
2   30   30
3   40   40
4   50   50
5   60   60
上一节:
下一节: