Python - 数据清理 Python Matplotlib Python数据操作 数据丢失在现实生活中总是一个问题。机器学习和数据挖掘等领域由于数据缺失导致数据质量差，因此在模型预测的准确性方面面临严峻的问题。在这些领域，缺失值处理是使模型更加准确和有效的重点。 何时以及为什么数据丢失？ 让我们考虑一个产品的在线调查。很多时候，人们不会分享与他们有关的所有信息。很少有人分享他们的经验，但他们没有多久使用该产品; 很少有人分享他们使用产品的时间，他们的经验，但不是他们的联系信息。因此，以某种方式或其他方式，一部分数据总是会丢失，这在实时中非常普遍。 现在让我们看看我们如何处理使用熊猫的缺失值（如NA或NaN）。 # 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 其输出如下 - 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，我们创建了一个缺失值的DataFrame。在输出中，NaN表示不是数字。 检查缺失值 为了更容易地检测缺失值（以及跨越不同的数组dtype），Pandas提供了isnull（）和notnull（）函数，它们也是Series和DataFrame对象的方法 - 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() 其输出如下 - a False b True c False d True e False f False g True h False Name: one, dtype: bool 清洁/填充缺少数据 熊猫提供了各种方法来清除缺失值。fillna函数可以通过几种方式用非空数据“填充”NA值，我们在后面的章节中已经说明了这一点。 用标量值替换NaN 以下程序显示了如何将“NaN”替换为“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) 其输出如下 - 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 在这里，我们正在填充零值; 相反，我们也可以填写任何其他值。 正向和反向填充NA 使用ReIndexing章节讨论的填充概念，我们将填补缺失的值。 方法 行动 垫/填充 向前填充方法 bfill /回填 向后填充方法 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.fillna(method='pad') 其输出如下 - 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 丢失缺失值 如果您只想排除缺少的值，则使用dropna函数和axis参数。默认情况下，axis = 0，即沿着行，这意味着如果行内的任何值为NA，则排除整行。 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() 其输出如下 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 替换丢失（或）通用值 很多时候，我们必须用一些特定的值替换一个通用值。我们可以通过应用替换方法来实现这一点。 用标量值替换NA是fillna（）函数的等效行为。 例 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}) 其输出如下 - one two 0 10 10 1 20 0 2 30 30 3 40 40 4 50 50 5 60 60 Python Matplotlib Python数据操作
