Pandas缺失資料

資料丟失(缺失)在現實生活中總是一個問題。 機器學習和資料挖掘等領域由於資料缺失導致的資料品質差，在模型預測的準確性上面臨著嚴重的問題。 在這些領域，缺失值處理是使模型更加準確和有效的重點。

何時以及為什麼資料丟失？

想象一下有一個產品的線上調查。很多時候，人們不會分享與他們有關的所有資訊。 很少有人分享他們的經驗，但不是他們使用產品多久; 很少有人分享使用產品的時間，經驗，但不是他們的個人聯絡資訊。 因此，以某種方式或其他方式，總會有一部分資料總是會丟失，這是非常常見的現象。

現在來看看如何處理使用Pandas的缺失值(如NA或NaN)。

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)

執行上面範例程式碼，得到以下結果 -

        one       two     three
a  0.691764 -0.118095 -0.950871
b       NaN       NaN       NaN
c -0.886898  0.053705 -1.269253
d       NaN       NaN       NaN
e -0.344967 -0.837128  0.730831
f -1.193740  1.767796  0.888104
g       NaN       NaN       NaN
h -0.755934 -1.331638  0.272248

使用重構索引(reindexing)，建立了一個缺少值的DataFrame。 在輸出中，NaN表示不是數位的值。

檢查缺失值

為了更容易地檢測缺失值(以及跨越不同的陣列dtype)，Pandas提供了isnull()和notnull()函式，它們也是Series和DataFrame物件的方法 -

範例1

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())

執行上面範例程式碼，得到以下結果 -

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

範例2

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'].notnull())

執行上面範例程式碼，得到以下結果 -

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

缺少資料的計算

• 在求和資料時，NA將被視為0
• 如果資料全部是NA，那麼結果將是NA

範例1

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'].sum())

執行上面範例程式碼，得到以下結果 -

-2.6163354325445014

範例2

import pandas as pd
import numpy as np

df = pd.DataFrame(index=[0,1,2,3,4,5],columns=['one','two'])
print (df['one'].sum())

執行上面範例程式碼，得到以下結果 -

nan

清理/填充缺少資料

Pandas提供了各種方法來清除缺失的值。fillna()函式可以通過幾種方法用非空資料「填充」NA值，在下面的章節中將學習和使用。

用標量值替換NaN

以下程式顯示如何用0替換NaN。

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))

執行上面範例程式碼，得到以下結果 -

        one       two     three
a -0.479425 -1.711840 -1.453384
b       NaN       NaN       NaN
c -0.733606 -0.813315  0.476788
NaN replaced with '0':
        one       two     three
a -0.479425 -1.711840 -1.453384
b  0.000000  0.000000  0.000000
c -0.733606 -0.813315  0.476788

在這裡填充零值; 當然，也可以填寫任何其他的值。

填寫NA前進和後退

使用重構索引章節討論的填充概念，來填補缺失的值。

範例1

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'))

執行上面範例程式碼，得到以下結果 -

        one       two     three
a  0.614938 -0.452498 -2.113057
b  0.614938 -0.452498 -2.113057
c -0.118390  1.333962 -0.037907
d -0.118390  1.333962 -0.037907
e  0.699733  0.502142 -0.243700
f  0.544225 -0.923116 -1.123218
g  0.544225 -0.923116 -1.123218
h -0.669783  1.187865  1.112835

範例2

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='backfill'))

執行上面範例程式碼，得到以下結果 -

        one       two     three
a  2.278454  1.550483 -2.103731
b -0.779530  0.408493  1.247796
c -0.779530  0.408493  1.247796
d  0.262713 -1.073215  0.129808
e  0.262713 -1.073215  0.129808
f -0.600729  1.310515 -0.877586
g  0.395212  0.219146 -0.175024
h  0.395212  0.219146 -0.175024

丟失缺少的值

如果只想排除缺少的值，則使用dropna函式和axis引數。 預設情況下，axis = 0，即在行上應用，這意味著如果行內的任何值是NA，那麼整個行被排除。

範例1

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())

執行上面範例程式碼，得到以下結果 -

        one       two     three
a -0.719623  0.028103 -1.093178
c  0.040312  1.729596  0.451805
e -1.029418  1.920933  1.289485
f  1.217967  1.368064  0.527406
h  0.667855  0.147989 -1.035978

範例2

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(axis=1))

執行上面範例程式碼，得到以下結果 -

Empty DataFrame
Columns: []
Index: [a, b, c, d, e, f, g, h]

替換丟失(或)通用值

很多時候，必須用一些具體的值取代一個通用的值。可以通過應用替換方法來實現這一點。

用標量值替換NA是fillna()函式的等效行為。

範例1

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}))

執行上面範例，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

範例2

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}))

執行上面範例程式碼，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