>>> from env_helper import info; info()
待更新
6.8. 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。
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'])
>>>
>>> print (df)
one two three
a 0.859325 1.142045 -0.691015
b NaN NaN NaN
c 1.617564 -2.438107 1.316199
d NaN NaN NaN
e -0.789574 -1.593450 0.416386
f -0.948890 0.829919 1.337082
g NaN NaN NaN
h 0.186649 -0.497864 -0.166442
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。 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())
3.19547716574
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())
nan
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 1.054273 -0.025270 1.285005
b NaN NaN NaN
c -1.250577 -1.046063 0.142021
NaN replaced with '0':
one two three
a 1.054273 -0.025270 1.285005
b 0.000000 0.000000 0.000000
c -1.250577 -1.046063 0.142021
在这里填充零值; 当然，也可以填写任何其他的值。 填写NA前进和后退
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 1.532396 -0.558444 0.038004
b 1.532396 -0.558444 0.038004
c -0.258833 1.488398 -1.343905
d -0.258833 1.488398 -1.343905
e 0.315445 -0.173121 0.664394
f -1.286629 -0.000998 -1.526640
g -1.286629 -0.000998 -1.526640
h 0.144073 -0.847244 0.649368
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 0.930108 0.683647 0.943368
b -1.386192 -0.914187 -0.323638
c -1.386192 -0.914187 -0.323638
d 0.247511 0.658326 -0.910745
e 0.247511 0.658326 -0.910745
f 0.157459 -1.256806 -0.723709
g 0.106019 -0.863789 1.387716
h 0.106019 -0.863789 1.387716
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 -1.855699 -0.202788 0.048605
c 0.456858 -1.645943 0.099162
e -0.617712 0.646734 0.959687
f -0.242041 1.342735 -0.410698
h -0.091615 -0.491195 -0.567734
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]
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