Python 数据科学教程：数据清理（缺乏价值处理）

数据丢失是一个现实生活中的问题。由于数据缺失导致数据质量差，机器学习和数据挖掘等领域面临着模型预测准确性的严重问题。在这些领域，缺失值处理是使模型更加准确和高效的关键。

数据何时以及为何丢失？

让我们考虑对产品进行在线调查。很多时候，人们不会分享与他们相关的所有内容。很少有人分享他们的经验，但也没有分享他们使用该产品的时间；很少有人分享他们使用该产品的时间、体验，但不透露他们的联系信息。因此，不知何故，某些数据总是会丢失，这在实时情况下很常见。

现在让我们看看如何使用 pandas 处理缺失值（例如 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)

它输出以下结果 -

         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，创建一个带有缺失值的 。在输出中，NaN 并不表示数字。

检查缺失值​​

为了更轻松地检测缺失值（并且跨不同数组dtype），Pandas 提供了 和 )null( notnull( ) 函数也是 Series 和 DataFrame 对象上的方法 -

示例

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())

它将打印如下结果 - Shell病态数据

Pandas 提供了各种方法来删除缺失值。函数 fillna可以通过多种方式用非零数据“填充”NA值，我们将在后面的章节中解释。

用标量值替换NaN

下面的程序展示了如何替换“NaN”与“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))

输出结果如下 -

         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

这里需要填写零值，相反我们也可以填写任何其他值。

NA 的前向和后向填充

使用重新索引章节中描述的填充概念，您可以在此处了解如何填充缺失值。方法 执行上面的示例代码，您将得到以下输出 -

         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

　 缺失值

如果只想排除缺失值，请使用函数 dropna❀ 是。默认情况下，axis = 0，即沿行搜索，这意味着如果该行中的值为 NA，则排除整行。 ？这可以通过使用替换方法来实现。将

替换为 NA 的标量值是函数 fillna() 的等效行为。

示例代码

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}))

   one  two
0   10   10
1   20    0
2   30   30
3   40   40
4   50   50
5   60   60