【Python】pandas 缺失數(shù)據(jù)處理大全（附代碼）

之前一直在分享pandas的一些騷操作：pandas騷操作，根據(jù)大家反映還不錯(cuò)，但是很多技巧都混在了一起，沒有細(xì)致的分類，這樣不利于查找，也不成體系。

利用閑暇之余將有關(guān)數(shù)據(jù)清洗、數(shù)據(jù)分析的一些技能再次進(jìn)行分類，里面也包含了我平時(shí)用到的一些小技巧，此次就從數(shù)據(jù)清洗缺失值處理走起，鏈接：pandas數(shù)據(jù)清洗，關(guān)注這個(gè)話題可第一時(shí)間看到更新。

所有數(shù)據(jù)和代碼可在我的GitHub獲?。?/p>

https://github.com/xiaoyusmd/PythonDataScience

一、缺失值類型

在pandas中，缺失數(shù)據(jù)顯示為NaN。缺失值有3種表示方法，np.nan，none，pd.NA。

1、np.nan

缺失值有個(gè)特點(diǎn)（坑），它不等于任何值，連自己都不相等。如果用nan和任何其它值比較都會返回nan。

np.nan?==?np.nan
>>?False

也正由于這個(gè)特點(diǎn)，在數(shù)據(jù)集讀入以后，不論列是什么類型的數(shù)據(jù)，默認(rèn)的缺失值全為np.nan。

因?yàn)?code style="overflow-wrap: break-word;padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;background-color: rgba(27, 31, 35, 0.05);font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(89, 89, 89);font-size: 13px;letter-spacing: 0.5px;">nan在Numpy中的類型是浮點(diǎn)，因此整型列會轉(zhuǎn)為浮點(diǎn)；而字符型由于無法轉(zhuǎn)化為浮點(diǎn)型，只能歸并為object類型（'O'），原來是浮點(diǎn)型的則類型不變。

type(np.nan)
>>?float

pd.Series([1,2,3]).dtype
>>?dtype('int64')
pd.Series([1,np.nan,3]).dtype
>>?dtype('float64')

初學(xué)者做數(shù)據(jù)處理遇見object類型會發(fā)懵，不知道這是個(gè)啥，明明是字符型，導(dǎo)入后就變了，其實(shí)是因?yàn)槿笔е祵?dǎo)致的。

除此之外，還要介紹一種針對時(shí)間序列的缺失值，它是單獨(dú)存在的，用NaT表示，是pandas的內(nèi)置類型，可以視為時(shí)間序列版的np.nan，也是與自己不相等。

s_time?=?pd.Series([pd.Timestamp('20220101')]*3)
s_time
>>?0?2022-01-01
???1?2022-01-01
???2?2022-01-01
???dtype:datetime64[ns]
-----------------
s_time[2]?=?pd.NaT
s_time
>>?0?2022-01-01
???1?2022-01-01
???2?NaT
???dtype:datetime64[ns]

2、None

還有一種就是None，它要比nan好那么一點(diǎn)，因?yàn)樗辽僮约号c自己相等。

None?==?None
>>?True

在傳入數(shù)值類型后，會自動變?yōu)?code style="overflow-wrap: break-word;padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;background-color: rgba(27, 31, 35, 0.05);font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(89, 89, 89);font-size: 13px;letter-spacing: 0.5px;">np.nan。

type(pd.Series([1,None])[1])
>>?numpy.float64

只有當(dāng)傳入object類型時(shí)是不變的，因此可以認(rèn)為如果不是人工命名為None的話，它基本不會自動出現(xiàn)在pandas中，所以None大家基本也看不到。

type(pd.Series([1,None],dtype='O')[1])
>>?NoneType

3、NA標(biāo)量

pandas1.0以后的版本中引入了一個(gè)專門表示缺失值的標(biāo)量pd.NA，它代表空整數(shù)、空布爾值、空字符，這個(gè)功能目前處于實(shí)驗(yàn)階段。

開發(fā)者也注意到了這點(diǎn)，對于不同數(shù)據(jù)類型采取不同的缺失值表示會很亂。pd.NA就是為了統(tǒng)一而存在的。pd.NA的目標(biāo)是提供一個(gè)缺失值指示器，可以在各種數(shù)據(jù)類型中一致使用(而不是np.nan、None或者NaT分情況使用)。

s_new?=?pd.Series([1,?2],?dtype="Int64")
s_new
>>?0???1
???1???2
???dtype:?Int64
-----------------
s_new[1]?=?pd.NaT
s_new
>>?0????1
???1??
???dtype:?Int64

同理，對于布爾型、字符型一樣不會改變原有數(shù)據(jù)類型,這樣就解決了原來動不動就變成object類型的麻煩了。

下面是pd.NA的一些常用算術(shù)運(yùn)算和比較運(yùn)算的示例：

#####?算術(shù)運(yùn)算
#?加法
pd.NA?+?1
>>?
-----------
#?乘法
"a"?*?pd.NA
>>?
-----------
#?以下兩種其中結(jié)果為1
pd.NA?**?0
>>?1
-----------
1?**?pd.NA
>>?1

#####?比較運(yùn)算
pd.NA?==?pd.NA
>>?
-----------
pd.NA?2.5
>>?
-----------
np.log(pd.NA)
>>?
-----------
np.add(pd.NA,?1)
>>?

二、缺失值判斷

了解了缺失值的幾種形式后，我們要知道如何判斷缺失值。對于一個(gè)dataframe而言，判斷缺失的主要方法就是isnull()或者isna()，這兩個(gè)方法會直接返回True和False的布爾值?？梢允菍φ麄€(gè)dataframe或者某個(gè)列。

df?=?pd.DataFrame({
??????'A':['a1','a1','a2','a3'],
??????'B':['b1',None,'b2','b3'],
??????'C':[1,2,3,4],
??????'D':[5,None,9,10]})
#?將無窮設(shè)置為缺失值??????
pd.options.mode.use_inf_as_na?=?True

1、對整個(gè)dataframe判斷缺失

df.isnull()
>>?A?B?C?D
0?False?False?False?False
1?False?True?False?True
2?False?False?False?False
3?False?False?False?False

2、對某個(gè)列判斷缺失

df['C'].isnull()
>>?0????False
???1????False
???2????False
???3????False
Name:?C,?dtype:?bool

如果想取非缺失可以用notna()，使用方法是一樣的，結(jié)果相反。

三、缺失值統(tǒng)計(jì)

1、列缺失

一般我們會對一個(gè)dataframe的列進(jìn)行缺失統(tǒng)計(jì)，查看每個(gè)列有多少缺失，如果缺失率過高再進(jìn)行刪除或者插值等操作。那么直接在上面的isnull()返回的結(jié)果上直接應(yīng)用.sum()即可，axis默認(rèn)等于0，0是列，1是行。

##?列缺失統(tǒng)計(jì)
isnull().sum(axis=0)

2、行缺失

但是很多情況下，我們也需要對行進(jìn)行缺失值判斷。比如一行數(shù)據(jù)可能一個(gè)值都沒有，如果這個(gè)樣本進(jìn)入模型，會造成很大的干擾。因此，行列兩個(gè)缺失率通常都要查看并統(tǒng)計(jì)。

操作很簡單，只需要在sum()中設(shè)置axis=1即可。

##?行缺失統(tǒng)計(jì)
isnull().sum(axis=1)

3、缺失率

有時(shí)我不僅想要知道缺失的數(shù)量，我更想知道缺失的比例，即缺失率。正常可能會想到用上面求得數(shù)值再比上總行數(shù)。但其實(shí)這里有個(gè)小技巧可以一步就實(shí)現(xiàn)。

##?缺失率
df.isnull().sum(axis=0)/df.shape[0]

##?缺失率（一步到位）
isnull().mean()

四、缺失值篩選

篩選需要loc配合完成，對于行和列的缺失篩選如下：

#?篩選有缺失值的行
df.loc[df.isnull().any(1)]
>>?A?B?C?D
1?a1?None?2?NaN
-----------------
#?篩選有缺失值的列
df.loc[:,df.isnull().any()]
>>?B?D
0?b1?5.0
1?None?NaN
2?b2?9.0
3?b3?10.0

如果要查詢沒有缺失值的行和列，可以對表達(dá)式用取反~操作：

df.loc[~(df.isnull().any(1))]
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0

上面使用了any判斷只要有缺失就進(jìn)行篩選，也可以用all判斷是否全部缺失，同樣可以對行里進(jìn)行判斷，如果整列或者整行都是缺失值，那么這個(gè)變量或者樣本就失去了分析的意義，可以考慮刪除。

五、缺失值填充

一般我們對缺失值有兩種處理方法，一種是直接刪除，另外一種是保留并填充。下面先介紹填充的方法fillna。

#?將dataframe所有缺失值填充為0
df.fillna(0)
>>?A?B?C?D
0?a1?b1?1?5.0
1?a1?0?2?0.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
--------------
#?將D列缺失值填充為-999
df.D.fillna('-999')
>>?0???????5
???1????-999
???2???????9
???3??????10
Name:?D,?dtype:?object

方法很簡單，但使用時(shí)需要注意一些參數(shù)。

• inplace：可以設(shè)置fillna(0, inplace=True)來讓填充生效，原dataFrame被填充。
• methond：可以設(shè)置methond方法來實(shí)現(xiàn)向前或者向后填充，pad/ffill為向前填充，bfill/backfill為向后填充，比如df.fillna(methond='ffill')，也可以簡寫為df.ffill()。

df.ffill()
>>?A?B?C?D
0?a1?b1?1?5.0
1?a1?b1?2?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0

原缺失值都會按照前一個(gè)值來填充(B列1行，D列1行)。

除了用前后值來填充，也可以用整個(gè)列的均值來填充，比如對D列的其它非缺失值的平均值8來填充缺失值。

df.D.fillna(df.D.mean())
>>?0?????5.0
???1?????8.0
???2?????9.0
???3????10.0
Name:?D,?dtype:?float64

六、缺失值刪除

刪除缺失值也非情況，比如是全刪除還是刪除比較高缺失率，這個(gè)要看自己的容忍程度，真實(shí)的數(shù)據(jù)必然會存在缺失的，這個(gè)無法避免。而且缺失在某些情況下也代表了一定的含義，要視情況而定。

1、全部直接刪除

#?全部直接刪除
df.dropna()
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0

2、行缺失刪除

#?行缺失刪除
df.dropna(axis=0)
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0

3、列缺失刪除

#?列缺失刪除
df.dropna(axis=1)
>>?A?C
0?a1?1
1?a1?2
2?a2?3
3?a3?4
-------------
#?刪除指定列范圍內(nèi)的缺失,因?yàn)镃列無缺失，所以最后沒有變化
df.dropna(subset=['C'])
>>?A?B?C?D
0?a1?b1?1?5.0
1?a1?None?2?NaN
2?a2?b2?3?9.0
3?a3?b3?4?10.0

4、按缺失率刪除

這個(gè)可以考慮用篩選的方法來實(shí)現(xiàn)，比如要?jiǎng)h除列缺失大于0.1的（即篩選小于0.1的）。

df.loc[:,df.isnull().mean(axis=0)?0.1]
>>?A?C
0?a1?1
1?a1?2
2?a2?3
3?a3?4
-------------
#?刪除行缺失大于0.1的
df.loc[df.isnull().mean(axis=1)?0.1]
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0

七、缺失值參與計(jì)算

如果不對缺失值處理，那么缺失值會按照什么邏輯進(jìn)行計(jì)算呢？

下面我們一起看一下各種運(yùn)算下缺失值的參與邏輯。

1、加法

df
>>A?B?C?D
0?a1?b1?1?5.0
1?a1?None?2?NaN
2?a2?b2?3?9.0
3?a3?b3?4?10.0
---------------
#?對所有列求和
df.sum()
>>?A????a1a1a2a3
???C??????????10
???D??????????24

可以看到，加法是會忽略缺失值的。

2、累加

#?對D列進(jìn)行累加
df.D.cumsum()
>>?0?????5.0
???1?????NaN
???2????14.0
???3????24.0
Name:?D,?dtype:?float64
---------------
df.D.cumsum(skipna=False)
>>?0????5.0
???1????NaN
???2????NaN
???3????NaN
Name:?D,?dtype:?float64

cumsum累加會忽略NA，但值會保留在列中，可以使用skipna=False跳過有缺失值的計(jì)算并返回缺失值。

3、計(jì)數(shù)

#?對列計(jì)數(shù)
df.count()
>>?A????4
???B????3
???C????4
???D????3
dtype:?int64

缺失值不進(jìn)入計(jì)數(shù)范圍里。

4、聚合分組

df.groupby('B').sum()
>>?C?D
B??
b1?1?5.0
b2?3?9.0
b3?4?10.0
---------------
df.groupby('B',dropna=False).sum()
>>?C?D
B??
b1?1?5.0
b2?3?9.0
b3?4?10.0
NaN?2?0.0

聚合時(shí)會默認(rèn)忽略缺失值，如果要缺失值計(jì)入到分組里，可以設(shè)置dropna=False。這個(gè)用法和其它比如value_counts是一樣的，有的時(shí)候需要看缺失值的數(shù)量。

以上就是所有關(guān)于缺失值的常用操作了，從理解缺失值的3種表現(xiàn)形式開始，到缺失值判斷、統(tǒng)計(jì)、處理、計(jì)算等。

原創(chuàng)不易，歡迎點(diǎn)贊、在看支持。

參考：

[1]深入淺出pandas

[2]https://mp.weixin.qq.com/s/Ool5T49RxYj-Os4DWzTeyQ