(10)Python数据清理
目录
数据丢失在现实生活中是一个问题。 机器学习和数据挖掘等领域由于数据缺失导致数据质量差，因此在模型预测的准确性方面面临严峻的问题。 在这些领域，缺失值处理是使模型更加准确和有效的关键。
何时以及为什么数据丢失？
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有关的所有信息。 很少有人分享他们的经验，但他们没有多久使用该产品; 很少有人分享他们使用产品的时间，他们的经验，但不是他们的联系信息。 因此，以某种方式或其他方式，一部分数据总是会丢失，这在实时中非常普遍。
现在来看看如何处理使用Pandas的缺失值(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)
它将输出如下结果 –
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reindexing，创建了一个缺失值的DataFrame。 在输出中，NaN表示不是数字。
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
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())
它将输出如下结果 –
a False
b True
c False
d True
e False
f False
g True
h False
Name: one, dtype: bool
清理/填充缺少数据
Pandas提供了各种方法来清除缺失值。 fillna函数可以通过几种方式用非空数据“填充”NA值，我们在后面的章节中将解释说明。
用标量值替换NaN
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))
它将输出如下结果 –
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，填充零值; 相反，我们也可以填写任何其他值。
正向和反向填充NA
使用ReIndexing章节讨论的填充概念，这里将学习如何填补缺失的值。
| 方法 | 操作 |
|---|---|
pad/fill |
向前填充方法 |
bfill/backfill |
向后填充方法 |
示例代码
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'))
执行上面示例代码，得到以下输出结果 –
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
丢失缺失值
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，即沿着一行行查找，这意味着如果行内的任何值是NA，那么排除整行。
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.dropna())
它将输出如下结果 –
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
替换丢失(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}))
执行上面示例代码，得到以下结果 –
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60
关注右侧公众号，随时随地查看教程
Python数据分析教程目录
