python学习——pandas数据丢失处理

处理丢失数据

 

有两种丢失数据：

• None
• np.nan(NaN)

In [1]:

import numpy as np

In [12]:

%timeit np.arange(0,10000,dtype=int).sum()

 

21.3 µs ± 1.66 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [13]:

%timeit np.arange(0,10000,dtype=float).sum()

 

24.2 µs ± 2.7 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [14]:

%timeit np.arange(0,10000,dtype=object).sum()

 

679 µs ± 8.85 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

 

1. None

None是Python自带的，其类型为python object。因此，None不能参与到任何计算中。

 

object类型的运算要比int类型的运算慢得多
计算不同数据类型求和时间
%timeit np.arange(1e5,dtype=xxx).sum()

In [14]:

%timeit np.arange(1e5,dtype=int).sum()

 

185 µs ± 24.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [15]:

%timeit np.arange(1e5,dtype=float).sum()

 

537 µs ± 24.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [16]:

%timeit np.arange(1e5,dtype=object).sum()

 

6.36 ms ± 180 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

 

2. np.nan（NaN）

 

np.nan是浮点类型，能参与到计算中。但计算的结果总是NaN。

 

但可以使用np.nan*()函数来计算nan，此时视nan为0。

In [ ]:

 

 

3. pandas中的None与NaN

 

1) pandas中None与np.nan都视作np.nan

 

创建DataFrame

In [15]:

import pandas as pd
from pandas import Series,DataFrame 

In [19]:

df = DataFrame({'age':[20,21,23,19,22], 'salary':[10000,11000,9900,8500,15000]}, index=['张三','李四','小昭','小郭','小齐'], columns=['age','salary','work']) df 

Out[19]:

	age	salary	work
张三	20	10000	NaN
李四	21	11000	NaN
小昭	23	9900	NaN
小郭	19	8500	NaN
小齐	22	15000	NaN

In [21]:

df.work['李四':'小郭'] = 'python' 

 

C:\Users\BLX\AppData\Roaming\Python\Python37\site-packages\ipykernel_launcher.py:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  """Entry point for launching an IPython kernel.

In [22]:

df

Out[22]:

	age	salary	work
张三	20	10000	NaN
李四	21	11000	python
小昭	23	9900	python
小郭	19	8500	python
小齐	22	15000	NaN

 

使用DataFrame行索引与列索引修改DataFrame数据

 

2) pandas中None与np.nan的操作

 

• isnull()
• notnull()
• dropna(): 过滤丢失数据
• fillna(): 填充丢失数据

In [ ]:

 

 

(1)判断函数

• isnull()
• notnull()

In [27]:

# 根据获得的数据去除原来数据的空数据
s1 = df.isnull().any(axis=1) 

In [29]:

# 有了s1这个数据，可以获得哪些数据为空
df[s1]

Out[29]:

	age	salary	work
张三	20	10000	NaN
小齐	22	15000	NaN

In [33]:

# 保留非空数据 
# .all()判断轴中所有数据都不为空，返回True
s2 = df.notnull().all(axis=1) 

In [34]:

df[s2]

Out[34]:

	age	salary	work
李四	21	11000	python
小昭	23	9900	python
小郭	19	8500	python

 

(2) 过滤函数

• dropna()

 

可以选择过滤的是行还是列（默认为行）

In [38]:

df.dropna()

Out[38]:

	age	salary	work
李四	21	11000	python
小昭	23	9900	python
小郭	19	8500	python

In [37]:

df.dropna(axis = 1) 

Out[37]:

	age	salary
张三	20	10000
李四	21	11000
小昭	23	9900
小郭	19	8500
小齐	22	15000

 

也可以选择过滤的方式 how = 'all',一行中所有数据为空才删除

In [39]:

df.dropna(how='all') 

Out[39]:

	age	salary	work
张三	20	10000	NaN
李四	21	11000	python
小昭	23	9900	python
小郭	19	8500	python
小齐	22	15000	NaN

In [42]:

df.loc['张三'] = np.nan df 

Out[42]:

	age	salary	work
张三	NaN	NaN	NaN
李四	21.0	11000.0	python
小昭	23.0	9900.0	python
小郭	19.0	8500.0	python
小齐	22.0	15000.0	NaN

In [43]:

df.dropna(how='all') 

Out[43]:

	age	salary	work
李四	21.0	11000.0	python
小昭	23.0	9900.0	python
小郭	19.0	8500.0	python
小齐	22.0	15000.0	NaN

 

(3) 填充函数 Series/DataFrame

• fillna()

In [47]:

# 对多有的空数据进行替换
df.fillna(value='Java') 

Out[47]:

	age	salary	work
张三	Java	Java	Java
李四	21	11000	python
小昭	23	9900	python
小郭	19	8500	python
小齐	22	15000	Java

 

可以选择前向填充还是后向填充

In [49]:

df.fillna(method='bfill') 

Out[49]:

	age	salary	work
张三	21.0	11000.0	python
李四	21.0	11000.0	python
小昭	23.0	9900.0	python
小郭	19.0	8500.0	python
小齐	22.0	15000.0	NaN

In [50]:

df.fillna(method='ffill') 

Out[50]:

	age	salary	work
张三	NaN	NaN	NaN
李四	21.0	11000.0	python
小昭	23.0	9900.0	python
小郭	19.0	8500.0	python
小齐	22.0	15000.0	python

 

对于DataFrame来说，还要选择填充的轴axis。记住，对于DataFrame来说：

• axis=0：index/行
• axis=1：columns/列

In [51]:

#{'backfill', 'bfill', 'pad', 'ffill'
df.fillna(method='ffill') 

Out[51]:

	age	salary	work
张三	NaN	NaN	NaN
李四	21.0	11000.0	python
小昭	23.0	9900.0	python
小郭	19.0	8500.0	python
小齐	22.0	15000.0	python

In [ ]:

 

 

============================================

练习7：

1. 简述None与NaN的区别

2. 假设张三李四参加模拟考试，但张三因为突然想明白人生放弃了英语考试，因此记为None，请据此创建一个DataFrame,命名为ddd3

3. 老师决定根据用数学的分数填充张三的英语成绩，如何实现？ 用李四的英语成绩填充张三的英语成绩？

============================================