Python數據清理

數據丟失在現實生活中是一個問題。 機器學習和數據挖掘等領域由於數據缺失導致數據質量差,因此在模型預測的準確性方面面臨嚴峻的問題。 在這些領域,缺失值處理是使模型更加準確和有效的關鍵。

何時以及爲什麼數據丟失?

讓我們考慮一個產品的在線調查。 很多時候,人們不會分享與他們有關的所有信息。 很少有人分享他們的經驗,但他們沒有多久使用該產品; 很少有人分享他們使用產品的時間,他們的經驗,但不是他們的聯繫信息。 因此,以某種方式或其他方式,一部分數據總是會丟失,這在實時中非常普遍。

現在來看看如何處理使用Pandas的缺失值(如NANaN)。

# 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)

它將輸出如下結果 -

         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,創建了一個缺失值的DataFrame。 在輸出中,NaN表示不是數字。

檢查缺失值

爲了更容易地檢測缺失值(以及跨越不同的數組dtype),Pandas提供了isnull()notnull()函數,它們也是Series和DataFrame對象的方法 -

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())

它將輸出如下結果 -

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

清理/填充缺少數據

Pandas提供了各種方法來清除缺失值。 fillna函數可以通過幾種方式用非空數據「填充」NA值,我們在後面的章節中將解釋說明。

用標量值替換NaN

以下程序顯示瞭如何將「NaN」替換爲「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))

它將輸出如下結果 -

         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

在這裏,填充零值; 相反,我們也可以填寫任何其他值。

正向和反向填充NA

使用ReIndexing章節討論的填充概念,這裏將學習如何填補缺失的值。

方法

操作

pad/fill

向前填充方法

bfill/backfill

向後填充方法

示例代碼

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'))

執行上面示例代碼,得到以下輸出結果 -

         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

 丟失缺失值

如果只想排除缺少的值,則使用dropna函數和axis參數。 默認情況下,axis = 0,即沿着一行行查找,這意味着如果行內的任何值是NA,那麼排除整行。

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())

它將輸出如下結果 -

         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

 替換丟失(或)通用值

很多時候,我們必須用一些特定的值替換一個通用值。 可以通過應用替換方法來實現這一點。

用標量值替換NAfillna()函數的等效行爲。

示例代碼

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}))

執行上面示例代碼,得到以下結果 -

   one  two
0   10   10
1   20    0
2   30   30
3   40   40
4   50   50
5   60   60
0 條評論,你可以發表評論,我們會進行改進
Comment author placeholder