利用Python Pandas进行数据预处理-数据清洗

数据缺失

数据缺失在大部分数据分析应用中都很常见，Pandas使用浮点值NaN表示浮点和非浮点数组中的缺失数据，他只是一个便于被检测出来的数据而已。

Python内置的None值也会被当作NA处理

处理NA的方法有四种：dropna,fillna,isnull,notnull

is(not)null，这一对方法对对象做出元素级的应用，然后返回一个布尔型数组，一般可用于布尔型索引。

dropna，对于一个Series，dropna返回一个仅含非空数据和索引值的Series。

问题在于DataFrame的处理方式，因为一旦drop的话，至少要丢掉一行（列）。这里解决方法与前面类似，还是通过一个额外的参数：dropna(axis=0,how=’any’,thresh=None)，how参数可选的值为any或者all.all仅在切片元素全为NA时才抛弃该行(列)。thresh为整数类型，eg:thresh=3,那么一行当中至少有三个NA值时才将其保留。

fillna,fillna(value=None,method=None,axis=0)中的value除了基本类型外，还可以使用字典，这样可以实现对不同列填充不同的值。

另一个过滤DataFrame行的问题涉及问题序列数据。假设只想留一部分观察数据，可以用thresh参数实现此目的：

不想滤除缺失的数据，而是通过其他方式填补“空洞”，fillna是最主要的函数。

通过一个常数调用fillna就会将缺失值替换为那个常数值：

若是通过一个字典调用fillna，就可以实现对不同列填充不同的值。

可以利用fillna实现许多别的功能，比如可以传入Series的平均值或中位数：

检测和过滤异常值

异常值(outlier)的过滤或变换运算在很大程度上就是数组运算。如下一个(1000,4)的标准正态分布数组：

DataFrame的duplicated方法返回一个布尔型Series，表示各行是否是重复行。

与此相关的还有一个drop_duplicated方法，它用于返回一个移除了重复行的DataFrame：

上面的两个方法会默认判断全部列，也可以指定部分列进行重复项判断，假设还有一列值，而只希望根据k1列过滤重复项。duplicates和drop_duplicates默认保留第一个出现的值组合。传入take_last=True则保留最后一个