pandas教程：Handling Missing Data 处理缺失数据

Chapter 7 Data Cleaning and Preparation 数据清洗和准备

其实数据分析中80%的时间都是在数据清理部分，loading, clearning, transforming, rearranging。而pandas非常适合用来执行这些任务。

7.1 Handling Missing Data 处理缺失数据

在pandas中，missing data呈现的方式有些缺点的，但对大部分用户能起到足够的效果。对于数值型数据，pandas用浮点值Nan(Not a Number)来表示缺失值。我们称之为识别符（sentinel value)，这种值能被轻易检测到：

import pandas as pd
import numpy as np

string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
string_data

0     aardvark
1    artichoke
2          NaN
3      avocado
dtype: object

string_data.isnull()

0    False
1    False
2     True
3    False
dtype: bool

在pandas中，我们使用了R语言中的一些传统，把缺失值表示为NA（not available）。在统计应用里，NA数据别是要么是数据不存在，要么是存在但不能被检测到。做数据清理的时候，对缺失值做分析是很重要的，我们要确定是否是数据收集的问题，或者缺失值是否会带来潜在的偏见。

内建的Python None值也被当做NA：

string_data[0] = None

string_data.isnull()

0     True
1    False
2     True
3    False
dtype: bool

1 Filtering Out Missing Data（过滤缺失值）

有一些方法来过滤缺失值。可以使用pandas.isnull和boolean indexing, 配合使用dropna。对于series，只会返回non-null数据和index values:

from numpy import nan as NA

data = pd.Series([1, NA, 3.5, NA, 7])

data.dropna()

0    1.0
2    3.5
4    7.0
dtype: float64

上面的等同于：

data[data.notnull()]

0    1.0
2    3.5
4    7.0
dtype: float64

对于DataFrame，会复杂一些。你可能想要删除包含有NA的row和column。dropna默认会删除包含有缺失值的row：

data = pd.DataFrame([[1., 6.5, 3.], [1., NA, NA],
                     [NA, NA, NA], [NA, 6.5, 3.]])
data

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
2	NaN	NaN	NaN
3	NaN	6.5	3.0

cleaned = data.dropna()

cleaned

	0	1	2
0	1.0	6.5	3.0

设定how=all只会删除那些全是NA的行：

data.dropna(how='all')

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
3	NaN	6.5	3.0

删除列也一样，设置axis=1:

data[4] = NA
data

	0	1	2	4
0	1.0	6.5	3.0	NaN
1	1.0	NaN	NaN	NaN
2	NaN	NaN	NaN	NaN
3	NaN	6.5	3.0	NaN

data.dropna(axis=1, how='all')

	0	1	2
0	1.0	6.5	3.0
1	1.0	NaN	NaN
2	NaN	NaN	NaN
3	NaN	6.5	3.0

一种删除DataFrame row的相关应用是是time series data。假设你想要保留有特定数字的观测结果，可以使用thresh参数：

df = pd.DataFrame(np.random.randn(7, 3))

df

	0	1	2
0	-0.986575	0.487466	-0.251823
1	2.008704	-0.177133	1.827761
2	2.240856	-0.587865	0.273062
3	0.777182	-0.629568	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

df.iloc[:4, 1] = NA
df

	0	1	2
0	-0.986575	NaN	-0.251823
1	2.008704	NaN	1.827761
2	2.240856	NaN	0.273062
3	0.777182	NaN	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

df.iloc[:2, 2] = NA
df

	0	1	2
0	-0.986575	NaN	NaN
1	2.008704	NaN	NaN
2	2.240856	NaN	0.273062
3	0.777182	NaN	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

df.dropna()

	0	1	2
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

df.dropna(thresh=2) 

	0	1	2
2	2.240856	NaN	0.273062
3	0.777182	NaN	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

2 Filling In Missing Data（填补缺失值）

不是删除缺失值，而是用一些数字填补。对于大部分目的，fillna是可以用的。调用fillna的时候设置好一个常用用来替换缺失值：

df.fillna(0)

	0	1	2
0	-0.986575	0.000000	0.000000
1	2.008704	0.000000	0.000000
2	2.240856	0.000000	0.273062
3	0.777182	0.000000	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

给fillna传入一个dict，可以给不同列替换不同的值：

df.fillna({1: 0.5, 2: 0})

	0	1	2
0	-0.986575	0.500000	0.000000
1	2.008704	0.500000	0.000000
2	2.240856	0.500000	0.273062
3	0.777182	0.500000	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

fillna返回一个新对象，但你可以使用in-place来直接更改原有的数据：

_ = df.fillna(0, inplace=True)
df

	0	1	2
0	-0.986575	0.000000	0.000000
1	2.008704	0.000000	0.000000
2	2.240856	0.000000	0.273062
3	0.777182	0.000000	-0.220044
4	0.327522	0.781662	-0.651949
5	1.454611	-0.170581	-1.740959
6	-0.711897	0.074983	1.343807

在使用fillna的时候，这种插入法同样能用于reindexing：

df = pd.DataFrame(np.random.randn(6, 3))
df

	0	1	2
0	-1.151508	1.185176	-1.766933
1	0.544729	-0.807814	0.696087
2	-1.461950	0.448852	0.189045
3	0.559766	0.341335	1.469807
4	-0.362789	1.117338	-0.383870
5	-0.452329	-0.282040	-0.541759

df.iloc[2:, 1] = NA
df

	0	1	2
0	-1.151508	1.185176	-1.766933
1	0.544729	-0.807814	0.696087
2	-1.461950	NaN	0.189045
3	0.559766	NaN	1.469807
4	-0.362789	NaN	-0.383870
5	-0.452329	NaN	-0.541759

df.iloc[4:, 2] = NA
df

	0	1	2
0	-1.151508	1.185176	-1.766933
1	0.544729	-0.807814	0.696087
2	-1.461950	NaN	0.189045
3	0.559766	NaN	1.469807
4	-0.362789	NaN	NaN
5	-0.452329	NaN	NaN

df.fillna(method='ffill')

	0	1	2
0	-1.151508	1.185176	-1.766933
1	0.544729	-0.807814	0.696087
2	-1.461950	-0.807814	0.189045
3	0.559766	-0.807814	1.469807
4	-0.362789	-0.807814	1.469807
5	-0.452329	-0.807814	1.469807

df.fillna(method='ffill', limit=2)

	0	1	2
0	-1.151508	1.185176	-1.766933
1	0.544729	-0.807814	0.696087
2	-1.461950	-0.807814	0.189045
3	0.559766	-0.807814	1.469807
4	-0.362789	NaN	1.469807
5	-0.452329	NaN	1.469807

使用fillna可以我们做一些颇有创造力的事情。比如，可以传入一个series的平均值或中位数：

data = pd.Series([1., NA, 3.5, NA, 7])
data.fillna(data.mean())

0    1.000000
1    3.833333
2    3.500000
3    3.833333
4    7.000000
dtype: float64