目录
-
一 、缺失值
- 1 缺失值类型
- 2 缺失值的认定
- 3 查看缺失情况
-
4 处理方法(1)——缺失值填充
- 简单填充df.fillna()
- 插值法填充
- 5 处理方法(2)——直接删除
一、缺失值
1 缺失值类型
- 空值:在pandas中的空值是:" " ,空的字符串,不是缺失值。
- 缺失值:pandas里,如果是DataFrame(数据帧)中,缺失值可以表示为NaN或者NaT(缺失时间) 。可以用 Numpy的np.NaN/np.nan直接定义赋值缺失值。
- NaN 是浮点型
- 针对数值为 0 的情况 ,需要进行实际的分析 ,回归到原始数据中去,判断该数据为 0 时是否具有实际意义。如果没有就将其作为缺失值做删除处理 。
- 针对数据为空值的情况,如果该特征数据缺失情况低于10% ,则结合该特征的重要性进行综合判断 。如果字段重要性较低,则考虑直接删除,如果字段重要性较高 ,则进行插值法或者采用简单填充法。
2 缺失值的认定
- 元素级别缺失判定
# 返回true/false bool型DataFrame 或者 Series df.notna() / df.notnull() # 不是缺失为True,缺失=False df.isna() / df.isnull() # 是缺失=True,不是缺失=False df.col.notna() / df.col.isna() df['col'].notnull() / df['col'].isnull()# 支持Series
- 列/行级别缺失判定
# 返回 bool型Series df.isnull().any() # 列只要有一个缺失=True df.isna().any(1) # 行只要有一个缺失=True df.isnull().any().any() # 表级别判断
3 查看缺失情况
df.info() # 直接查看信息 df.isnull().sum() # 每列有多少个缺失值 df.isna().sum(1) # 每行有多少个缺失值 df.isna().sum().sum() # 总共有几个缺失值 df.count() # 统计列的非NaN个数
df.loc[:,df.isna().any()] # 返回有缺失的列(行全要 ,列只要为True的) df.loc[df.isna().any(1)] # 返回有缺失的行 df.loc[~(df.isna().any(1))] # 返回没有缺失的行
4 处理方法(1)——缺失值填充
简单填充df.fillna()
df.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
功能说明:
Fill NA/NaN values using the specified method。
参数说明:
- value:需要用什么值去填充缺失值,可以是scalar, dict(设置每列用不同值填), Series, or DataFrame;
- method:设置填充的方式 。pad / ffill:向前填充;backfill / bfill:向后填充;
注意:假如设置method方式,就不需要传入value参数了。还要注意轴向axis的方向。
一般轴向axis都为0(竖向填充) ,横向填充没啥意义 。 - axis:{0 or 'index'(竖向填充), 1 or 'columns'(横向填充)};
- inplace:是否修改原df,修改(True)时,返回值为None;
- limit:限定填充个数。默认为None ,表示填完。
注意:当指定method、axis 、limit ,此时limit限定方向填充的个数,不一定缺失值填完;
当传入value 、limit时,axis参数不起作用 ,只能按列向下填充limit个缺失值 。 - downcast:向下投射数据类型,一般不用设置,Python自动转换。
df.fillna(0) # 传入标量0 ,用0填充所有缺失值 # 每列向下填充2个缺省值,axis参数不起作用 df.fillna(value=1,axis=0,limit=2) # df.fillna(value=0,axis=1,limit=2) # 传入dict,每列分别用不同的值填充 df.fillna(value={'A': 0, 'B': 1, 'C': 2, 'D': 3}) # 用前一个值向前填充缺省值 ,限制填充个数为1,默认轴向为0(竖向填充) df.fillna(method='ffill',limit=1) # 用各自列的均值填充,假如该列可以计算均值的话 df.fillna(df.mean()) # 只对A列且用A列的均值填充缺省值 df.fillna({'A': df.mean()['A']})
插值法填充
Series 和 DataFrame 对象都有interpolate()方法 ,默认情况下,该函数在缺失值处执行线性插值。这个方法是利用数学方法来估计缺失点的值,对于较大的数据非常有用 。
(待查补充)
5 处理方法(2)——直接删除
df.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
功能说明:
删除含有空值的行或列。
参数说明:
- axis:维度 ,axis=0表示index行,axis=1表示columns列 ,默认为0;
- how:"all"表示这一行或列中的元素全部缺失(为nan)才删除这一行或列,"any"表示这一行或列中只要有元素缺失,就删除这一行或列 ,默认为any;
- thresh:axis中至少有thresh个非缺失值,否则删除;
- subset:[col1,...,coln],根据某n列判断是否有缺失删除行;[row1,...,rown] ,根据某n行判断是否有缺失删除列。判断时,只要其中有1列/行有缺失值就删除;
- inplace:是否修改原df,修改(True)时 ,返回值为None 。
df.dropna() # 行只要有一个缺失值,就删除该行 df.dropna(axis=1) # 列只要有一个缺失值,就删除该列(谨慎使用!) df.dropna(how='all',axis=1) # 列都缺失时 ,才删除该列 df.dropna(thresh=3) # 行至少有3个非缺失值才不删除 df.dropna(axis=1,subset=[3,4]) # 根据index为3和4的行,判断列是否删除 df.dropna(subset=["col_1","col_3"]) # 根据columns为"col_1"和"col_3"的列,判断行是否删除 df.col.dropna() # 指定列的缺失值删除