Python—關於Pandas缺失值問題(國內唯一)

獲取文中的CSV檔案用於程式碼程式設計以及文章首發地址，請點選下方超連結

獲取CSV，用於程式設計除錯請點這

在本文中，我們將使用Python的Pandas庫逐步完成許多不同的資料清理任務。具體而言，我們將重點關注可能是最大的資料清理任務，即 缺少值。

缺失值的來源

在深入研究程式碼之前，瞭解丟失資料的來源很重要。這是資料丟失的一些典型原因：

• 使用者忘記填寫欄位。
• 從舊版資料庫手動傳輸時，資料丟失。
• 發生程式設計錯誤。
• 使用者選擇不填寫欄位。

其中一些來源只是簡單的隨機錯誤。在其他時候，可能會有更深層的原因導致資料丟失。

準備工作

在開始清理資料集之前，最好先大致瞭解一下資料。

• 有哪些功能？
• 預期的型別是什麼（int，float，string，boolean）？
• 是否有明顯的缺失資料（熊貓可以檢測到的值）？
• 是否還有其他型別的丟失資料不太明顯（無法通過Pandas輕鬆檢測到）？

了說明我的意思，讓我們開始研究示例。

我們要使用的資料是非常小的房地產資料集。獲取CSV檔案。你可以單擊此處獲取,以便可以進行編碼。

快速瀏覽一下資料：

快速瞭解資料的一種好方法是檢視前幾行。在Pandas中，你要編寫以下程式碼：

# Importing libraries
import pandas as pd
import numpy as np

# Read csv file into a pandas dataframe
df = pd.read_csv("property data.csv")

# Take a look at the first few rows
print df.head()

Out:
   ST_NUM    ST_NAME OWN_OCCUPIED  NUM_BEDROOMS
0   104.0     PUTNAM            Y           3.0
1   197.0  LEXINGTON            N           3.0
2     NaN  LEXINGTON            N           3.0
3   201.0   BERKELEY          NaN           1.0
4   203.0   BERKELEY            Y           3.0

我知道我說過我們將使用Pandas，但是可以看到我也使用了Numpy。稍後我們將使用它來重新命名一些缺失的值。

匯入庫後，我們將csv檔案讀取到Pandas資料框中。

使用該方法，我們可以輕鬆看到前幾行。(使用.head()方法)

從列名稱中推斷出以下字元組非常容易：

• ST_NUM： 街道號碼
• ST_NAME： 街道名稱
• OWN_OCCUPIED：住所所有人是否被佔用
• NUM_BEDROOMS：臥室數

我們還可以進行設定，獲取的資料型別是啥？

• ST_NUM：float或int…某種數字型別
• ST_NAME： 細繩
• OWN_OCCUPIED：字串…Y（“是”）或N（“否”）
• NUM_BEDROOMS：float或int，數字型別

標準缺失值

“標準缺失值”是什麼意思？這些是Pandas可以檢測到的缺失值。

回到我們的原始資料集，讓我們看一下“ ST_NUM”列。

第三列中有一個空單元格。在第七行中，有一個“ NA”值。

顯然，這些都是缺失值。讓我們看看Pandas如何處理這些問題

# 檢視ST_NUM列
print df['ST_NUM']
print df['ST_NUM'].isnull()

# 檢視ST_NUM列
Out:
0    104.0
1    197.0
2      NaN
3    201.0
4    203.0
5    207.0
6      NaN
7    213.0
8    215.0

Out:
0    False
1    False
2     True
3    False
4    False
5    False
6     True
7    False
8    False

看一下該列，我們可以看到Pandas在空白處填充了“ NA”。使用該方法，我們可以確認缺失值和“ NA”都被識別為缺失值。兩個布林響應均為。isnull() 和True

這是一個簡單的示例，但強調了一個重點。Pandas會將空單元格和“ NA”型別都識別為缺失值。 下面，我將介紹一些Pandas無法識別的型別。

非標準缺失值

有時可能是缺少具有不同格式的值的情況。

讓我們看一下“Number of Bedrooms”一欄，瞭解我的意思。

在此列中，有四個缺失值。

• n/a
• NA
• —
• na

從上面中，我們知道Pandas會將“ NA”識別為缺失值，但其他的情況呢？讓我們來看看。

# 看NUM_BEDROOMS這一欄
print df['NUM_BEDROOMS']
print df['NUM_BEDROOMS'].isnull()

Out:
0      3
1      3
2    n/a
3      1
4      3
5    NaN
6      2
7     --
8     na

Out:
0    False
1    False
2    False
3    False
4    False
5     True
6    False
7    False
8    False

就像以前一樣，Pandas認為“ NA”是缺失的價值。不幸的是，其他型別未被識別。

如果有多個使用者手動輸入資料，則這是一個常見問題。也許我喜歡使用“ n / a”，但是其他人喜歡使用“ na”。

檢測這些各種格式的一種簡單方法是將它們放在列表中。然後，當我們匯入資料時，Pandas會立即識別出它們。這是我們將如何執行此操作的示例。

# 列出缺失的值型別
missing_values = ["n/a", "na", "--"]
df = pd.read_csv("property data.csv", na_values = missing_values)

現在，讓我們再看一下該欄，看看會發生什麼。

# 看NUM_BEDROOMS這一欄
print df['NUM_BEDROOMS']
print df['NUM_BEDROOMS'].isnull()

Out:
0    3.0
1    3.0
2    NaN
3    1.0
4    3.0
5    NaN
6    2.0
7    NaN
8    NaN

Out:
0    False
1    False
2     True
3    False
4    False
5     True
6    False
7     True
8     True

下面中，我們將介紹一種更復雜但很常見的缺失值型別。

意外的缺失值

到目前為止，我們已經看到了標準缺失值和非標準缺失值。如果我們出現意外型別怎麼辦？

例如，如果我們的功能應該是字串，但是有數字型別，那麼從技術上講，這也是一個缺失值。

讓我們看一下“Owner Occupied**”一欄，看看我在說什麼。

從前面的示例中，我們知道Pandas將檢測到第7行中的空單元格為缺失值。讓我們用一些程式碼進行確認。

# 檢視OWN_OCCUPIED列
print df['OWN_OCCUPIED']
print df['OWN_OCCUPIED'].isnull()

# 檢視OWN_OCCUPIED列
Out:
0      Y
1      N
2      N
3     12
4      Y
5      Y
6    NaN
7      Y
8      Y

Out:
0    False
1    False
2    False
3    False
4    False
5    False
6     True
7    False
8    False

在第四行中，數字為12。Owner Occupied的響應顯然應該是字串（Y或N），因此此數字型別應為缺失值。

這個示例稍微複雜一點，因此我們需要考慮一種策略來檢測這些型別的缺失值。有很多不同的方法，但是這是我要通過這種方法工作的方式。

• 遍歷OWN_OCCUPIED列
• 嘗試將條目轉換為整數
• 如果條目可以更改為整數，請輸入缺失值
• 如果數字不能是整數，我們知道它是一個字串，所以繼續

看一下程式碼，然後我將對其進行詳細介紹

# 檢測資料
cnt=0
for row in df['OWN_OCCUPIED']:
    try:
        int(row)
        df.loc[cnt, 'OWN_OCCUPIED']=np.nan
    except ValueError:
        pass
    cnt+=1

在程式碼中，我們迴圈瀏覽“所有者已佔用”列中的每個條目。要嘗試將條目更改為整數，我們使用。int(row)

如果可以將值更改為整數，則可以使用Numpy's將條目更改為缺少的值。np.nan

另一方面，如果不能將其更改為整數，我們pass將繼續。

您會注意到我使用try和except ValueError。這稱為異常處理，我們使用它來處理錯誤。

如果我們嘗試將一個條目更改為一個整數並且無法更改，則將ValueError返回a，並且程式碼將停止。為了解決這個問題，我們使用異常處理來識別這些錯誤，並繼續進行下去。

程式碼的另一個重要部分是.loc方法。這是用於修改現有條目的首選Pandas方法。有關此的更多資訊，請檢視Pandas文件。

現在，我們已經研究了檢測缺失值的不同方法，下面將概述和替換它們。

總結缺失值

清除缺失的值後，我們可能要對它們進行彙總。例如，我們可能要檢視每個功能的缺失值總數。

# Total missing values for each feature
print df.isnull().sum()

Out:
ST_NUM          2
ST_NAME         0
OWN_OCCUPIED    2
NUM_BEDROOMS    4

在更多的時候，我們可能需要進行快速檢查，以檢視是否根本缺少任何值。

# Any missing values?
print df.isnull().values.any()

Out:
True

我們可能還希望獲得缺失值的總數。

# Total number of missing values
print df.isnull().sum().sum()

Out:
8

在上面，我們總結了缺失值的數量，讓我們看一下如何進行一些簡單的替換。

更換

通常，您必須弄清楚如何處理缺失值。

有時，您只是想刪除這些行，而其他時候，您將替換它們。

正如我之前提到的，這不應該掉以輕心。我們將介紹一些基本的推論。

# 用一個數字替換缺失的值
df['ST_NUM'].fillna(125, inplace=True)

如果進行基於位置的插補。

# 基於位置的更換
df.loc[2,'ST_NUM'] = 125

替換缺失值的一種非常常見的方法是使用中位數。

# 取代使用中位數
median = df['NUM_BEDROOMS'].median()
df['NUM_BEDROOMS'].fillna(median, inplace=True)