Pandas处理数据缺失值
写在篇前
在数据处理实践中,数据不可能十全十美,总会由于总总原因,比如不可测、测量结果丢失等原因使得部分数据缺失,处理缺失值的策略一般分为以下两种:
通过维持一个覆盖全局的掩码表示缺失值
a)维持一个与数据表大小相同的bool值数组
b)用一个bit表示有缺失值的局部状态
用一个标签值(sentinel value)表示缺失值
一般而言,不存在所谓的最佳选择,不同的编程语言和系统会选择不同的处理方式,在pandas中选用了标签的方式标示缺失值,包括浮点类型缺失值NaN、Python单体对象None。好吧,talk is cheap,show you the code.
缺失值标示方法
None标示缺失值
>>> import numpy as np
>>> vals1 = np.array([1, None, 3, 4])
>>> vals1array([1, None, 3, 4], dtype=object)# None只能用于object类型数组,这将会比原生int,float类型更加消耗资源,所以谨慎使用
NaN标示缺失值
>>> vals2 = np.array([1, np.nan, 3, 4])
>>> vals2
array([ 1., nan, 3., 4.])
>>> vals2.dtype
dtype('float64')# 在这种方式中,将以原生类型float64作为数组类型,将具有更加好的性能
# 原因是这会被编译C代码,从而实现快速操作# 关于nan还需要注意几个问题
>>> vals2.sum()
nan
>>> np.nansum(vals2)
8.0>>> vals2.min()
nan
>>> np.nanmin(vals2)
1.0
Pandas中None与NaN的差异
Pandas把它们看成是可以等价交换的,在适当的时候会将两者进行替换。
>>> pd.Series([1, np.nan, 2, None])
0 1.0
1 NaN
2 2.0
3 NaN
dtype: float64
缺失值处理方法
- isnull() 创建一个布尔类型的掩码标签缺失值
- notnull() 与 isnull() 操作相反
- dropna() 返回一个剔除缺失值的数据
- fillna() 返回一个填充了缺失值的数据副本
发现缺失值
>>> data = pd.Series([1, np.nan, 'hello', None])
>>> data.isnull()
0 False
1 True
2 False
3 True
dtype: bool>>> data.notnull()
0 True
1 False
2 True
3 False
dtype: bool# 应用
>>> data[data.notnull()]
0 1
2 hello
dtype: object
剔除缺失值
# 剔除缺失值,主要用dropna()函数def dropna(self, axis=0, how='any', thresh=None, subset=None,inplace=False)
# axis 标示轴向,0代表行,1代表列
# how 有选项 any、all
# thresh与 how选项互斥使用,指定一行或一列非缺失值的最小个数
# subset array-like, optional,表示只将非axis轴所指定行或列纳入剔除考虑
# inplace 表示是否要创建新的副本,个人建议为True,减少资源消耗# subset参数稍微不好理解,show u the code
df = pd.DataFrame([[1, np.nan, 2, 5],[2, 3, 5, 6],[np.nan, 4, 6, 7]
])print(df.dropna(axis=0, how='any', subset=[0, 3]))【output:】 0 1 2 3
0 1.0 NaN 2 5
1 2.0 3.0 5 6解析:在本例中,明明指定了按行剔除,只要有any缺失值就踢除改行,但是第一行却保留了,纳尼?这就是subset的作用,因为我们在subset参数中指定了是看第0、3列有没有缺失值从而决定是否剔除该列。
填充缺失值
数据是宝贵的,有时候我们并不忍心删除一些记录,这时候我们就需要考虑用何种方式对缺失值进行修复,这就是缺失值填充。其实缺失值填充的策略非常之多,这里主要介绍Pandas内置的填充方式,具体用哪种方式,这也许真的需要具体任务具体分析。
# 函数主要参数
def fillna(self, value=None, method=None, axis=None, inplace=False)# value 表示填充特定值
# method 表示填充方式,与value互斥使用,有从后往前填充(method='ffill'),从前往后填充(method='bfill')
# axis 表示轴向,在ffill与bfill方式中有区别,注意体会
# inplace 表示是否要创建新的副本,个人建议为True,减少资源消耗# 例子
data = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
print(data.fillna(value=0))a 1.0
b 0.0
c 2.0
d 0.0
e 3.0
dtype: float64
总结
在这一篇中,主要总结了pandas中的缺失值处理方式,但是实际上处理缺失值的方式非常灵活,需要具体任务具体分析,甚至自定义一种处理方式。要自定义处理,就需要掌握好一些pandas数据集的处理技巧,可以参考我之前的博客pandas 数据分析常用技巧,比如其中的apply
、applymap
、map
等方法对于定义高级数据操作极其方便、重要。
Pandas处理数据缺失值相关推荐
- Python中pandas库实现数据缺失值判断isnull()函数
[小白从小学Python.C.Java] [Python全国计算机等级考试] [Python数据分析考试必会题] ● 标题与摘要 Python中pandas库实现数据缺失值判断 isnull()函数 ...
- python处理数据的优势-【Python数据分析基础】: 数据缺失值处理
作者:xiaoyu 微信公众号:Python数据科学 圣人曾说过:数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已. 再好的模型,如果没有好的数据和特征质量,那训练出来的效果也不会有所 ...
- python数据预处理案例_对pandas进行数据预处理的实例讲解
参加kaggle数据挖掘比赛,就第一个赛题Titanic的数据,学习相关数据预处理以及模型建立,本博客关注基于pandas进行数据预处理过程.包括数据统计.数据离散化.数据关联性分析 引入包和加载数据 ...
- pandas 选择数据 字符串_读完本文,轻松玩转数据处理利器Pandas 1.0
选自Medium 作者:Tom Waterman机器之心编译参与:李诗萌.魔王 2020 年 1 月 9 日 Pandas 1.0.0rc 版本面世,Facebook 数据科学家 Tom Waterm ...
- pandas用均值填充nan_如何填补Pandas中的缺失值(机器学习入门篇)
在使用python里的pandas库进行数据分析工作时,很多时候我们都会遇到这样一个问题:数据缺失.这也是大部分数据分析工作所会遇到的之一.而正确处理缺失值,也是我们在数据分析中数据预处理环节的关键的 ...
- 3-10 Pandas的数据规整
数据分析工具pandas 10. Pandas的数据规整 10.1 层次化索引 10.2 数据连接 10.2.1 pd.merge 10.2.2 pd.concat 10.3 重塑 10.3.1 st ...
- Pandas处理数据遇到的问题与解决
前言 主要记录自己pandas处理数据遇到的一些困难,基础非常薄弱,希望能越来越熟练 Next:set_index与reindex的区别 问题描述 经常会遇到 更改index 将某一个column的信 ...
- Pandas之数据标准化
Python数据分析博文汇总 Pandas重复值处理函数drop_duplicates() Pandas数据库缺失值处理函数dropna Pandas中slice函数字段抽取 python数据分析-D ...
- 知乎爬虫与数据分析(二)pandas+pyecharts数据可视化分析篇(上)
注:代码完整版可移步Github--https://github.com/florakl/zhihu_spider. 知乎爬虫与数据分析(一)数据爬取篇 知乎爬虫与数据分析(三)pandas+pyec ...
最新文章
- rpython求随机数代码4段5个字符_如何创建一个4位数的随机数并将其存储为变量...
- swoole学习(一)----linux安装swoole
- 【推荐】会开发和懂开发的区别
- 用tar备份linux
- 开源大数据周刊-第103期
- android studio修改配置文件夹(.android .gradle .AndroidStudio)位置
- 使用Google Guava Cache进行本地缓存
- 除阿里、网易和字节外,杭州居然还有这么多互联网公司!
- OpenCv之绘图(笔记03)
- python变量类型字符串的内建函数使用
- 使用javap分析Java的字符串操作 1
- windows IIS的IUSR和IIS_IUSRS 2
- 欧姆龙PLC存储区划分小结
- iOS 生成证书、描述文件、打包上架Appstore详细流程
- 主打python-2021年度总结-展望2022年
- python最全的图像拼接
- python非线性最小二乘拟合_非线性函数的最小二乘拟合——兼论Jupyter notebook中使用公式 [原创]...
- Mysql各数据库引擎优缺点,以及常用表锁,行锁,页面锁(个人总结)
- 各种电平标准的讨论(TTL,ECL,PECL,LVDS、CMOS、CML.......)
- Linux中如何对虚拟机管理和恢复
热门文章
- kotlin学习之类委托(八)
- Effective Java之用实例域代替序数(三十一)
- 9行代码AC——L1-022 奇偶分家(10 分)(~解题报告~)
- python求阶乘和
- ArrayBlockingQueue中的方法
- mysql内外链接图_图解MySQL 内连接、外连接、左连接、右连接、全连接
- Java自带的线程池ThreadPoolExecutor详细介绍说明和实例运用
- vue html5模板,vue-h5-template
- createprocess失败代码2_极客战记[森林]:边地之叉-通关代码及讲解
- 消息队列mysql redis那个好_Redis作为消息队列与RabbitMQ的比较