>>> from env_helper import info; info()
页面更新时间： 2023-07-09 19:07:24
运行环境：
Linux发行版本: Debian GNU/Linux 12 (bookworm)
操作系统内核: Linux-6.1.0-10-amd64-x86_64-with-glibc2.36
Python版本: 3.11.2
7.8. Pandas缺失数据¶
数据丢失(缺失)在现实生活中总是一个问题。 机器学习和数据挖掘等领域由于数据缺失导致的数据质量差，在模型预测的准确性上面临着严重的问题。 在这些领域，缺失值处理是使模型更加准确和有效的重点。
7.8.1. 何时以及为什么数据丢失？¶
想象一下有一个产品的在线调查。很多时候，人们不会分享与他们有关的所有信息。 很少有人分享他们的经验，但不是他们使用产品多久; 很少有人分享使用产品的时间，经验，但不是他们的个人联系信息。 因此，以某种方式或其他方式，总会有一部分数据总是会丢失，这是非常常见的现象。
现在来看看如何处理使用 Pandas 的缺失值（如 NA 或 NaN ）。
>>> 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'])
>>> df
| one | two | three | |
|---|---|---|---|
| a | 0.903675 | -0.758332 | 0.130283 |
| b | NaN | NaN | NaN |
| c | 1.329166 | 1.405324 | -1.340752 |
| d | NaN | NaN | NaN |
| e | 0.337259 | -0.715515 | -0.965206 |
| f | -0.652424 | 0.032724 | 0.048088 |
| g | NaN | NaN | NaN |
| h | 0.298508 | 0.397356 | 0.980140 |
使用重构索引(reindexing)，创建了一个缺少值的DataFrame。 在输出中，
NaN 表示不是数字的值。
7.8.2. 检查缺失值¶
为了更容易地检测缺失值(以及跨越不同的数组dtype)， Pandas 提供了
isnull() 和 notnull() 函数， 它们也是 Series 和 DataFrame
对象的方法 -
示例1¶
>>> 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())
a False
b True
c False
d True
e False
f False
g True
h False
Name: one, dtype: bool
示例2¶
>>> 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'].notnull())
a True
b False
c True
d False
e True
f True
g False
h True
Name: one, dtype: bool
缺少数据的计算
在求和数据时，NA将被视为0
如果数据全部是NA，那么结果将是NA
实例1¶
>>> 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'].sum())
2.164226716151406
示例2¶
>>> import pandas as pd
>>> import numpy as np
>>>
>>> df = pd.DataFrame(index=[0,1,2,3,4,5],columns=['one','two'])
>>> print (df['one'].sum())
0
7.8.3. 清理/填充缺少数据¶
Pandas 提供了各种方法来清除缺失的值。 fillna()
函数可以通过几种方法用非空数据“填充” NA 值，
在下面的章节中将学习和使用。
用标量值替换NaN¶
以下程序显示如何用 0替换 NaN 。
>>> 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))
one two three
a -1.158906 0.895556 0.855272
b NaN NaN NaN
c 0.687950 -0.575190 1.575458
NaN replaced with '0':
one two three
a -1.158906 0.895556 0.855272
b 0.000000 0.000000 0.000000
c 0.687950 -0.575190 1.575458
在这里填充零值; 当然，也可以填写任何其他的值。
7.8.4. 向前和向后填充 NA¶
使用重构索引章节讨论的填充概念，来填补缺失的值。
方法 | 动作 |
|---|---|
pad/fill | 填充方法向前 |
bfill/backfill | 填充方法向后 |
示例1¶
>>> 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'))
one two three
a -0.422062 -0.483934 -0.027814
b -0.422062 -0.483934 -0.027814
c -0.330458 -2.232305 -0.969076
d -0.330458 -2.232305 -0.969076
e 0.658659 1.260835 1.325543
f 1.429534 -0.837462 0.021471
g 1.429534 -0.837462 0.021471
h -0.391807 -1.109020 1.430484
示例2¶
>>> 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='backfill'))
one two three
a -1.598340 -0.935770 -0.699062
b 1.472813 1.782989 -0.223931
c 1.472813 1.782989 -0.223931
d 0.747313 0.947722 -1.018649
e 0.747313 0.947722 -1.018649
f -0.356098 1.113115 -0.659309
g -1.199901 -2.074105 0.879266
h -1.199901 -2.074105 0.879266
7.8.5. 丢失缺少的值¶
如果只想排除缺少的值，则使用dropna函数和axis参数。 默认情况下，axis = 0，即在行上应用，这意味着如果行内的任何值是NA，那么整个行被排除。
实例1¶
>>> 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())
one two three
a 1.006377 1.233967 0.444081
c -0.757340 0.854795 -0.791367
e -0.109504 1.246832 0.681621
f 0.293612 0.895150 -1.176648
h 1.346474 -0.881529 -1.651369
示例2¶
>>> 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(axis=1))
Empty DataFrame
Columns: []
Index: [a, b, c, d, e, f, g, h]
7.8.6. 替换丢失(或)通用值¶
很多时候，必须用一些具体的值取代一个通用的值。可以通过应用替换方法来实现这一点。
用标量值替换NA是fillna()函数的等效行为。
示例1¶
>>> 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
示例2¶
>>> 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