Python - 数据清理


数据丢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重点。

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。

现在让我们看看我们如何处理使用熊猫的缺失值(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

其输出如下 -

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reindexing,我们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 -

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()

其输出如下 -

a  False
b  True
c  False
d  True
e  False
f  False
g  True
h  False
Name: one, dtype: bool

清洁/填充缺少数据

熊猫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已经说明了这一点。

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)

其输出如下 -

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,我们正在填充零值; 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,我们将填补缺失的值。

方法 行动
垫/填充 向前填充方法
bfill /回填 向后填充方法

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')

其输出如下 -

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

丢失缺失值

如果您只想排除缺少的值,则使用dropna函数和axis参数。默认情况下,axis = 0,即沿着行,这意味着如果行内的任何值为NA,则排除整行。

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()

其输出如下

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。我们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。

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})

其输出如下 -

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