Python Pandas知識點之缺失值處理詳解

來源: 微醉陽光 2021-08-20 10:08:28 瀏覽數(shù) (5127)

反饋

在數(shù)據(jù)處理的過程中，我們經(jīng)常會遇到數(shù)據(jù)有缺失值的情況，今天我們就來介紹一下在python中如何用Pandas處理數(shù)據(jù)中的缺失值。

一、什么是缺失值

對數(shù)據(jù)而言，缺失值分為兩種，一種是Pandas中的空值，另一種是自定義的缺失值。

1. Pandas中的空值有三個：np.nan (Not a Number) 、 None 和 pd.NaT(時間格式的空值，注意大小寫不能錯)，這三個值可以用Pandas中的函數(shù)isnull()，notnull()，isna()進行判斷。

isnull()和notnull()的結果互為取反，isnull()和isna()的結果一樣。對于這三個函數(shù)，只需要用其中一個就可以識別出數(shù)據(jù)中是否有空值。如果數(shù)據(jù)量較大，再配合numpy中的any()和all()函數(shù)就行了。

需要特別注意兩點：

如果某一列數(shù)據(jù)全是空值且包含pd.NaT，np.nan和None會自動轉換成pd.NaT。
空值(np.nan、None、pd.NaT)既不是空字符串""，也不是空格" "。

從Python解釋器來看，np.nan的類型是float，None的類型是NoneType，兩者在Pandas中都顯示為NaN，pd.NaT的類型是Pandas中的NaTType，顯示為NaT。而不管是空字符串還是空格，其數(shù)據(jù)類型都是字符串，Pandas判斷的結果不是空值。

2. 自定義缺失值有很多不同的形式，如上面剛說的空字符串和空格(當然，一般不用這兩個，因為看起來不夠直觀)。

在獲取數(shù)據(jù)時，可能會有一些數(shù)據(jù)無法得到，也可能數(shù)據(jù)本身就沒有，造成了缺失值。對于這些缺失值，在獲取數(shù)據(jù)時通常會用一些符號之類的數(shù)據(jù)來代替，如問號？，斜杠/，字母NA等。

如果處理的數(shù)據(jù)是自己獲取的，那自己知道缺失值是怎么定義的，如果數(shù)據(jù)是其他人提供的，一般會同時提供數(shù)據(jù)的說明文檔，說明文檔中會注明缺失值的定義方式。

對于自定義缺失值，不能用isnull()等三個函數(shù)來判斷，不過可以用isin()函數(shù)來判斷。找到這些值后，將其替換成np.nan，數(shù)據(jù)就只有空值一種缺失值了。

此外，在數(shù)據(jù)處理的過程中，也可能產(chǎn)生缺失值，如除0計算，數(shù)字與空值計算等。

二、判斷缺失值

1. 自定義缺失值的判斷和替換

isin(values): 判斷Series或DataFrame中是否包含某些值，可以傳入一個可迭代對象、Series、DataFrame或字典。在我們判斷某個自定義的缺失值是否存在于數(shù)據(jù)中時，用列表的方式傳入就可以了。

replace(to_replace=None, value=None): 替換Series或DataFrame中的指定值，一般傳入兩個參數(shù)，to_replace為被替換的值，value為替換后的值。to_replace和value不僅支持Python中的整型、字符串、列表、字典等，還支持正則表達式。

使用replace()時，默認返回原數(shù)據(jù)的一個副本，replace()中的inplace參數(shù)默認為False，將inplace參數(shù)修改為True，則會修改數(shù)據(jù)本身。其他參數(shù)這里就不展開了，有需要可以自己添加。

其實replace()函數(shù)已經(jīng)可以用于缺失值的填充處理了，直接一步到位，而不用先替換成空值再處理。當然，先替換成空值，可以與空值一起處理。

2. 空值判斷

isnull(): 判斷Series或DataFrame中是否包含空值，與isna()結果相同，與notnull()結果相反。返回結果是一個與原數(shù)據(jù)形狀相同的Series或DataFrame。

如果數(shù)據(jù)很多，我們不可能肉眼觀察返回結果中的布爾值，所以需要借助numpy中的any()函數(shù)或all()函數(shù)，進一步對結果進行判斷。

三、刪除缺失值

dropna(axis=0, how="any", thresh=None, subset=None, inplace=False): 刪除Series或DataFrame中的空值。

axis: axis參數(shù)默認為0('index')，按行刪除，即刪除有空值的行。將axis參數(shù)修改為1或‘columns'，則按列刪除，即刪除有空值的列。在實際的應用中，一般不會按列刪除，例如數(shù)據(jù)中的一列表示年齡，不能因為年齡有缺失值而刪除所有年齡數(shù)據(jù)。

how: how參數(shù)默認為any，只要一行(或列)數(shù)據(jù)中有空值就會刪除該行(或列)。將how參數(shù)修改為all，則只有一行(或列)數(shù)據(jù)中全部都是空值才會刪除該行(或列)。

thresh: 表示刪除空值的界限，傳入一個整數(shù)。如果一行(或列)數(shù)據(jù)中少于thresh個非空值(non-NA values)，則刪除。?也就是說，一行(或列)數(shù)據(jù)中至少要有thresh個非空值，否則刪除。

subset: 刪除空值時，只判斷subset指定的列(或行)的子集，其他列(或行)中的空值忽略，不處理。當按行進行刪除時，subset設置成列的子集，反之。

inplace: 默認為False，返回原數(shù)據(jù)的一個副本。將inplace參數(shù)修改為True，則會修改數(shù)據(jù)本身。

刪除缺失值，必然會導致數(shù)據(jù)量的減少，如果缺失值占數(shù)據(jù)的比例較大，比如超過了數(shù)據(jù)的10%(具體標準根據(jù)項目來定)，刪除數(shù)據(jù)對數(shù)據(jù)分析的結果會有很大的影響，不合理。

四、填充缺失值

fillna(value=None, method=None, axis=None, inplace=False, limit=None): 填充Series或DataFrame中的空值。

value: 表示填充的值，可以是一個指定值，也可以是字典, Series或DataFrame。

method: 填充的方式，默認為None。有 ffill，pad，bfill，backfill 四種填充方式可以使用，ffill 和 pad 表示用缺失值的前一個值填充，如果axis=0，則用空值上一行的值填充，如果axis=1，則用空值左邊的值填充。假如空值在第一行或第一列，以及空值前面的值全都是空值，則無法獲取到可用的填充值，填充后依然保持空值。bfill 和 backfill 表示用缺失值的后一個值填充，axis的用法以及找不到填充值的情況同 ffill 和 pad 。

注意：當指定填充方式method時，不能同時指定填充值value，否則報錯。

axis: 通常配合method參數(shù)使用，axis=0表示按行，axis=1表示按列。

limit: 表示填充執(zhí)行的次數(shù)。如果是按行填充，則填充一行表示執(zhí)行一次，按列同理。

在缺失值填充時，填充值是自定義的，對于數(shù)值型數(shù)據(jù)，最常用的兩種填充值是用該列的均值和眾數(shù)。DataFrame的眾數(shù)也是一個DataFrame數(shù)據(jù)，眾數(shù)可能有多個(極限情況下，當數(shù)據(jù)中沒有重復值時，眾數(shù)就是原DataFrame本身)，所以用mode()函數(shù)求眾數(shù)時取第一行用于填充就行了。