pandas學習task07缺失資料
這是在datawhale學習小組學習pandas的第七章內容,缺失資料,以下是學習筆記,僅供參考,不喜勿噴
DataWhale
第七章 缺失資料
import numpy as np
import pandas as pd
一、缺失值的統計和刪除
1. 缺失資訊的統計
缺失資料可以使用 isna 或 isnull (兩個函式沒有區別)來檢視每個單元格是否缺失,結合 mean 可以計算出每列缺失值的比例:
df = pd.read_csv(r'C:\Users\zhoukaiwei\Desktop\joyful-pandas\data\learn_pandas.csv',
usecols = ['Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer'])
df.head()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
1 | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
2 | Senior | Mei Sun | Male | 188.9 | 89.0 | N |
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
4 | Sophomore | Gaojuan You | Male | 174.0 | 74.0 | N |
df.isna().head()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | False | False | False | False | False | False |
1 | False | False | False | False | False | False |
2 | False | False | False | False | False | False |
3 | False | False | False | True | False | False |
4 | False | False | False | False | False | False |
df.isna().mean() # 檢視缺失的比例
Grade 0.000
Name 0.000
Gender 0.000
Height 0.085
Weight 0.055
Transfer 0.060
dtype: float64
如果想要檢視某一列缺失或者非缺失的行,可以利用 Series 上的 isna 或者 notna 進行布林索引。例如,檢視身高缺失的行:
df[df.Height.isna()].head()
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
12 | Senior | Peng You | Female | NaN | 48.0 | NaN |
26 | Junior | Yanli You | Female | NaN | 48.0 | N |
36 | Freshman | Xiaojuan Qin | Male | NaN | 79.0 | Y |
60 | Freshman | Yanpeng Lv | Male | NaN | 65.0 | N |
如果想要同時對幾個列,檢索出全部為缺失或者至少有一個缺失或者沒有缺失的行,可以使用 isna, notna 和 any, all 的組合。
sub_set = df[['Height', 'Weight', 'Transfer']]
df[sub_set.isna().all(1)] # 全部缺失
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
102 | Junior | Chengli Zhao | Male | NaN | NaN | NaN |
df[sub_set.isna().any(1)].head() # 至少有一個缺失
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
3 | Sophomore | Xiaojuan Sun | Female | NaN | 41.0 | N |
9 | Junior | Juan Xu | Female | 164.8 | NaN | N |
12 | Senior | Peng You | Female | NaN | 48.0 | NaN |
21 | Senior | Xiaopeng Shen | Male | 166.0 | 62.0 | NaN |
26 | Junior | Yanli You | Female | NaN | 48.0 | N |
df[sub_set.notna().all(1)].head() # 沒有缺失
Grade | Name | Gender | Height | Weight | Transfer | |
---|---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 158.9 | 46.0 | N |
1 | Freshman | Changqiang You | Male | 166.5 | 70.0 | N |
2 | Senior | Mei Sun | Male | 188.9 | 89.0 | N |
4 | Sophomore | Gaojuan You | Male | 174.0 | 74.0 | N |
5 | Freshman | Xiaoli Qian | Female | 158.0 | 51.0 | N |
2. 缺失資訊的刪除
資料處理中經常需要根據缺失值的大小、比例或其他特徵來進行行樣本或列特徵的刪除, pandas 中提供了 dropna 函式來進行操作。
dropna 的主要引數為軸方向 axis (預設為0,即刪除行)、刪除方式 how 、刪除的非缺失值個數閾值 thresh ( 非缺失值 沒有達到這個數量的相應維度會被刪除)、備選的刪除子集 subset ,其中 how 主要有 any 和 all 兩種引數可以選擇。
res = df.dropna(how = 'any', subset = ['Height', 'Weight'])#刪除身高體重至少有一個缺失的行:
res.shape
(174, 6)
#刪除超過15個缺失值的列:
res = df.dropna(1, thresh=df.shape[0]-15) # 身高被刪除
res.head()
Grade | Name | Gender | Weight | Transfer | |
---|---|---|---|---|---|
0 | Freshman | Gaopeng Yang | Female | 46.0 | N |
1 | Freshman | Changqiang You | Male | 70.0 | N |
2 | Senior | Mei Sun | Male | 89.0 | N |
3 | Sophomore | Xiaojuan Sun | Female | 41.0 | N |
4 | Sophomore | Gaojuan You | Male | 74.0 | N |
二、缺失值的填充和插值
1. 利用fillna進行填充
在 fillna 中有三個引數是常用的: value, method, limit 。其中, value 為填充值,可以是標量,也可以是索引到元素的字典對映; method 為填充方法,有用前面的元素填充 ffill 和用後面的元素填充 bfill 兩種型別, limit 參數列示連續缺失值的最大填充次數。
s = pd.Series([np.nan, 1, np.nan, np.nan, 2, np.nan],list('aaabcd'))
s
a NaN
a 1.0
a NaN
b NaN
c 2.0
d NaN
dtype: float64
s.fillna(method='ffill') # 用前面的值向後填充
a NaN
a 1.0
a 1.0
b 1.0
c 2.0
d 2.0
dtype: float64
s.fillna(method='ffill', limit=1) # 連續出現的缺失,最多填充一次
a NaN
a 1.0
a 1.0
b NaN
c 2.0
d 2.0
dtype: float64
s.fillna(s.mean()) # value為標量
a 1.5
a 1.0
a 1.5
b 1.5
c 2.0
d 1.5
dtype: float64
s.fillna({'a': 100, 'd': 200}) # 通過索引對映填充的值
a 100.0
a 1.0
a 100.0
b NaN
c 2.0
d 200.0
dtype: float64
2. 插值函式
對於 interpolate 而言,除了插值方法(預設為 linear 線性插值)之外,有與 fillna 類似的兩個常用引數,一個是控制方向的 limit_direction ,另一個是控制最大連續缺失值插值個數的 limit 。其中,限制插值的方向預設為 forward ,這與 fillna 的 method 中的 ffill 是類似的,若想要後向限制插值或者雙向限制插值可以指定為 backward 或 both
s = pd.Series([np.nan, np.nan, 1,np.nan, np.nan, np.nan,2, np.nan, np.nan])
s.values
array([nan, nan, 1., nan, nan, nan, 2., nan, nan])
#在預設線性插值法下分別進行 backward 和雙向限制插值,同時限制最大連續條數為1:
res = s.interpolate(limit_direction='both', limit=1)
res.values
array([ nan, 1. , 1. , 1.25, nan, 1.75, 2. , 2. , nan])
第二種常見的插值是最近鄰插補,即缺失值的元素和離它最近的非缺失值元素一樣:
s.interpolate('nearest').values
array([nan, nan, 1., 1., 1., 2., 2., nan, nan])
最後來介紹索引插值,即根據索引大小進行線性插值
s = pd.Series([0,np.nan,10],index=[0,1,10])
s
0 0.0
1 NaN
10 10.0
dtype: float64
s.interpolate()
0 0.0
1 5.0
10 10.0
dtype: float64
s.interpolate(method='index')
0 0.0
1 1.0
10 10.0
dtype: float64
三、Nullable型別
1. 缺失記號及其缺陷
在 python 中的缺失值用 None 表示,該元素除了等於自己本身之外,與其他任何元素不相等:
None == None
True
None == False
False
None == []
False
None == ''
False
值得注意的是,雖然在對缺失序列或表格的元素進行比較操作的時候, np.nan 的對應位置會返回 False ,但是在使用 equals 函式進行兩張表或兩個序列的相同性檢驗時,會自動跳過兩側表都是缺失值的位置,直接返回 True :
s1 = pd.Series([1, np.nan])
s2 = pd.Series([1, 2])
s3 = pd.Series([1, np.nan])
s1 == 1
0 True
1 False
dtype: bool
s1.equals(s2)
False
s1.equals(s3)
True
2. Nullable型別的性質
pd.Series([np.nan, 1], dtype = 'Int64') # "i"是大寫的
0 <NA>
1 1
dtype: Int64
pd.Series([np.nan, True], dtype = 'boolean')
0 <NA>
1 True
dtype: boolean
pd.Series([np.nan, 'my_str'], dtype = 'string')
0 <NA>
1 my_str
dtype: string
#在 Int 的序列中,返回的結果會盡可能地成為 Nullable 的型別:
pd.Series([np.nan, 0], dtype = 'Int64') + 1
0 <NA>
1 1
dtype: Int64
pd.Series([np.nan, 0], dtype = 'Int64') == 0
0 <NA>
1 True
dtype: boolean
pd.Series([np.nan, 0], dtype = 'Int64') * 0.5 # 只能是浮點
0 NaN
1 0.0
dtype: float64
對於 boolean 型別的序列而言,其和 bool 序列的行為主要有兩點區別:
第一點是帶有缺失的布林列表無法進行索引器中的選擇,而 boolean 會把缺失值看作 False :
s = pd.Series(['a', 'b'])
s_bool = pd.Series([True, np.nan])
s_boolean = pd.Series([True, np.nan]).astype('boolean')
s[s_boolean]
0 a
dtype: object
第二點是在進行邏輯運算時, bool 型別在缺失處返回的永遠是 False ,而 boolean 會根據邏輯運算是否能確定唯一結果來返回相應的值。那什麼叫能否確定唯一結果呢?舉個簡單例子: True | pd.NA 中無論缺失值為什麼值,必然返回 True ; False | pd.NA 中的結果會根據缺失值取值的不同而變化,此時返回 pd.NA ; False & pd.NA 中無論缺失值為什麼值,必然返回 False 。
s_boolean & True
0 True
1 <NA>
dtype: boolean
s_boolean | True
0 True
1 True
dtype: boolean
~s_boolean
0 False
1 <NA>
dtype: boolean
3. 缺失資料的計算和分組
當呼叫函式 sum, prob 使用加法和乘法的時候,缺失資料等價於被分別視作0和1,即不改變原來的計算結果:
s = pd.Series([2,3,np.nan,4,5])
s.sum()
14.0
s.prod()
120.0
s.cumsum()
0 2.0
1 5.0
2 NaN
3 9.0
4 14.0
dtype: float64
當進行單個標量運算的時候,除了 np.nan ** 0 和 1 ** np.nan 這兩種情況為確定的值之外,所有運算結果全為缺失( pd.NA 的行為與此一致 ),並且 np.nan 在比較操作時一定返回 False ,而 pd.NA 返回 pd.NA :
np.nan == 0
False
pd.NA == 0
<NA>
np.nan > 0
False
pd.NA > 0
<NA>
np.nan + 1
nan
np.log(np.nan)
nan
np.add(np.nan, 1)
nan
np.nan ** 0
1.0
pd.NA ** 0
1
1 ** np.nan
1.0
1 ** pd.NA
1
diff, pct_change 這兩個函式雖然功能相似,但是對於缺失的處理不同,前者凡是參與缺失計算的部分全部設為了缺失值,而後者缺失值位置會被設為 0% 的變化率:
s.diff()
0 NaN
1 1.0
2 NaN
3 NaN
4 1.0
dtype: float64
s.pct_change()
0 NaN
1 0.500000
2 0.000000
3 0.333333
4 0.250000
dtype: float64
相關文章
- pandas-task07-缺失資料.md
- Pandas 基礎 (5) - 處理缺失的資料
- Pandas高階教程之:處理缺失資料
- pandas 學習(1): pandas 資料結構之Series資料結構
- pandas 學習(2): pandas 資料結構之DataFrame資料結構
- (資料科學學習手札97)掌握pandas中的transform資料科學ORM
- Pandas缺失值處理 | 輕鬆玩轉Pandas(3)
- pandas 學習 第14篇:索引和選擇資料索引
- Python大資料分析學習.Pandas 資料匯入問題 (1)Python大資料
- 【Pandas學習筆記02】-資料處理高階用法筆記
- 【Pandas學習筆記02】處理資料實用操作筆記
- (資料科學學習手札99)掌握pandas中的時序資料分組運算資料科學
- [python]pandas學習Python
- Pandas基礎學習
- pandas學習筆記筆記
- pandas 學習總結
- Python 資料科學之 PandasPython資料科學
- (資料科學學習手札134)pyjanitor:為pandas補充更多功能資料科學
- seaborn和pandas-missingno 的資料視覺化--使用畫圖--缺失值分析視覺化
- (資料科學學習手札92)利用query()與eval()優化pandas程式碼資料科學優化
- (資料科學學習手札63)利用pandas讀寫HDF5檔案資料科學
- 【pandas學習筆記】Series筆記
- 【pandas學習筆記】DataFrame筆記
- Pandas大綱學習-0
- python之pandas學習Python
- pandas的學習總結
- (資料科學學習手札86)全平臺支援的pandas運算加速神器資料科學
- 基於python的大資料分析實戰學習筆記-pandas(資料分析包)Python大資料筆記
- R缺失資料處理
- numpy的學習筆記\pandas學習筆記筆記
- 發現生物醫學大資料缺失的環節大資料
- 【pandas學習筆記】綜合整理筆記
- Numpy與Pandas學習網站學習網站
- 【Task03】Pandas學習打卡
- Pandas資料讀寫
- 資料分析---pandas模組
- 海量資料找缺失的值
- pandas 學習筆記 (入門篇)筆記