Pandas实践_缺失数据
文章目录
- 一、缺失值的统计和删除
-
- 1.缺失信息的统计
- 2.缺失信息的删除
- 二、缺失值的填充和插值
-
- 1.利用fillna进行填充
- 2.插值函数
- 三、Nullable类型
-
- 1.缺失记号及其缺陷
- 2.Nullable类型的性质
- 3.缺失数据的计算和分组
一、缺失值的统计和删除
1.缺失信息的统计
缺失数据可以使用isna或isnull（两个函数没有区别）来查看每个单元格是否缺失，结合mean可以计算出每列缺失值的比例：
df = pd.read_csv('../data/learn_pandas.csv', usecols = ['Grade', 'Name', 'Gender', 'Height', 'Weight', 'Transfer'])
df.isna().head()
# Grade Name Gender Height Weight Transfer
#0 False False False False False False
#1 False False False False False False
#2 False False False False False False
#3 False False False True False False
#4 False False False False False False
df.isna().mean() # 查看缺失的比例
#Grade 0.000
#,Name 0.000
#,Gender 0.000
#,Height 0.085
#,Weight 0.055
#,Transfer 0.060
#,dtype: float64
如果想要查看某一列缺失或者非缺失的行，可以利用Series上的isna或者notna进行布尔索引。例如，查看身高缺失的行：
df[df.Height.isna()].head()
# Grade Name Gender Height Weight Transfer
#3 Sophomore Xiaojuan Sun Female NaN 41.0 N
#12 Senior Peng You Female NaN 48.0 NaN
#26 Junior Yanli You Female NaN 48.0 N
#36 Freshman Xiaojuan Qin Male NaN 79.0 Y
#60 Freshman Yanpeng Lv Male NaN 65.0 N
如果想要同时对几个列，检索出全部为缺失或者至少有一个缺失或者没有缺失的行，可以使用isna, notna和any, all的组合。例如，对身高、体重和转系情况这3列分别进行这三种情况的检索：
sub_set = df[['Height', 'Weight', 'Transfer']]
df[sub_set.isna().all(1)] # 全部缺失
#Grade Name Gender Height Weight Transfer
#102 Junior Chengli Zhao Male NaN NaN NaN
df[sub_set.isna().any(1)].head() # 至少有一个缺失
# Grade Name Gender Height Weight Transfer
#3 Sophomore Xiaojuan Sun Female NaN 41.0 N
#9 Junior Juan Xu Female 164.8 NaN N
#12 Senior Peng You Female NaN 48.0 NaN
#21 Senior Xiaopeng Shen Male 166.0 62.0 NaN
#26 Junior Yanli You Female NaN 48.0 N
df[sub_set.notna().all(1)].head() # 没有缺失
# Grade Name Gender Height Weight Transfer
#0 Freshman Gaopeng Yang Female 158.9 46.0 N
#1 Freshman Changqiang You Male 166.5 70.0 N
#2 Senior Mei Sun Male 188.9 89.0 N
#4 Sophomore Gaojuan You Male 174.0 74.0 N
#5 Freshman Xiaoli Qian Female 158.0 51.0 N
2.缺失信息的删除
数据处理中经常需要根据缺失值的大小、比例或其他特征来进行行样本或列特征的删除，pandas中提供了dropna函数来进行操作。
dropna的主要参数为轴方向axis（默认为0，即删除行）、删除方式how、删除的非缺失值个数阈值thresh（ 非缺失值 没有达到这个数量的相应维度会被删除）、备选的删除子集subset，其中how主要有any和all两种参数可以选择。
例如，删除身高体重至少有一个缺失的行：
res = df.dropna(how = 'any', subset = ['Height', 'Weight'])
res.shape
#(174, 6)
例如，删除超过15个缺失值的列：
res = df.dropna(1, thresh=df.shape[0]-15) # 身高被删除
res.head()
# Grade Name Gender Weight Transfer
#0 Freshman Gaopeng Yang Female 46.0 N
#1 Freshman Changqiang You Male 70.0 N
#2 Senior Mei Sun Male 89.0 N
#3 Sophomore Xiaojuan Sun Female 41.0 N
#4 Sophomore Gaojuan You Male 74.0 N
当然，不用dropna同样是可行的，例如上述的两个操作，也可以使用布尔索引来完成：
res = df.loc[df[['Height', 'Weight']].notna().all(1)]
res.shape
#(174, 6)
res = df.loc[:, ~(df.isna().sum()>15)]
res.head()
# Grade Name Gender Weight Transfer
#0 Freshman Gaopeng Yang Female 46.0 N
#1 Freshman Changqiang You Male 70.0 N
#2 Senior Mei Sun Male 89.0 N
#3 Sophomore Xiaojuan Sun Female 41.0 N
#4 Sophomore Gaojuan You Male 74.0 N
二、缺失值的填充和插值
1.利用fillna进行填充
在fillna中有三个参数是常用的：value, method, limit。其中，value为填充值，可以是标量，也可以是索引到元素的字典映射；method为填充方法，有用前面的元素填充ffill和用后面的元素填充bfill两种类型，limit参数表示连续缺失值的最大填充次数。
下面构造一个简单的Series来说明用法：
s = pd.Series([np.nan, 1, np.nan, np.nan, 2, np.nan], list('aaabcd'))
s
#a NaN
#,a 1.0
#,a NaN
#,b NaN
#,c 2.0
#,d NaN
#,dtype: float64
s.fillna(method='ffill') # 用前面的值向后填充
#a NaN
#,a 1.0
#,a 1.0
#,b 1.0
#,c 2.0
#,d 2.0
#,dtype: float64
s.fillna(method='ffill', limit=1) # 连续出现的缺失，最多填充一次
#a NaN
#,a 1.0
#,a 1.0
#,b NaN
#,c 2.0
#,d 2.0
#,dtype: float64
s.fillna(s.mean()) # value为标量
#a 1.5
#,a 1.0
#,a 1.5
#,b 1.5
#,c 2.0
#,d 1.5
#,dtype: float64
s.fillna({'a': 100, 'd': 200}) # 通过索引映射填充的值
#a 100.0
#,a 1.0
#,a 100.0
#,b NaN
#,c 2.0
#,d 200.0
#,dtype: float64
有时为了更加合理地填充，需要先进行分组后再操作。例如，根据年级进行身高的均值填充：
df.groupby('Grade')['Height'].transform(lambda x: x.fillna(x.mean())).head()
#0 158.900000
#,1 166.500000
#,2 188.900000
#,3 163.075862
#,4 174.000000
#,Name: Height, dtype: float64
2.插值函数
在关于interpolate函数的文档描述中，列举了许多插值法，包括了大量Scipy中的方法。由于很多插值方法涉及到比较复杂的数学知识，因此这里只讨论比较常用且简单的三类情况，即线性插值、最近邻插值和索引插值。
对于interpolate而言，除了插值方法（默认为linear线性插值）之外，有与fillna类似的两个常用参数，一个是控制方向的limit_direction，另一个是控制最大连续缺失值插值个数的limit。其中，限制插值的方向默认为forward，这与fillna的method中的ffill是类似的，若想要后向限制插值或者双向限制插值可以指定为backward或both。
s = pd.Series([np.nan, np.nan, 1, np.nan, np.nan, np.nan, 2, np.nan, np.nan])
s.values
#array([nan, nan, 1., nan, nan, nan, 2., nan, nan])
例如，在默认线性插值法下分别进行backward和双向限制插值，同时限制最大连续条数为1：
res = s.interpolate(limit_direction='backward', limit=1)
res.values
#array([ nan, 1. , 1. , nan, nan, 1.75, 2. , nan, nan])
res = s.interpolate(limit_direction='both', limit=1)
res.values
#array([ nan, 1. , 1. , 1.25, nan, 1.75, 2. , 2. , nan])
第二种常见的插值是最近邻插补，即缺失值的元素和离它最近的非缺失值元素一样：
s.interpolate('nearest').values
#array([nan, nan, 1., 1., 1., 2., 2., nan, nan])
第二种常见的插值是最近邻插补，即缺失值的元素和离它最近的非缺失值元素一样：
s = pd.Series([0,np.nan,10],index=[0,1,10])
s
#0 0.0
#,1 NaN
#,10 10.0
#,dtype: float64
s.interpolate() # 默认的线性插值，等价于计算中点的值
#0 0.0
#,1 5.0
#,10 10.0
#,dtype: float64
s.interpolate(method='index') # 和索引有关的线性插值，计算相应索引大小对应的值
#0 0.0
#,1 1.0
#,10 10.0
#,dtype: float64
同时，这种方法对于时间戳索引也是可以使用的，有关时间序列的其他话题会在第十章进行讨论，这里举一个简单的例子：
s = pd.Series([0,np.nan,10], index=pd.to_datetime(['20200101', '20200102', '20200111']))
s
#2020-01-01 0.0
#,2020-01-02 NaN
#,2020-01-11 10.0
#,dtype: float64
s.interpolate()
#2020-01-01 0.0
#,2020-01-02 5.0
#,2020-01-11 10.0
#,dtype: float64
s.interpolate(method='index')
#2020-01-01 0.0
#,2020-01-02 1.0
#,2020-01-11 10.0
#,dtype: float64
三、Nullable类型
1.缺失记号及其缺陷
在python中的缺失值用None表示，该元素除了等于自己本身之外，与其他任何元素不相等：
None == None
#True
None == False
#False
None == []
#False
None == ''
#False
在numpy中利用np.nan来表示缺失值，该元素除了不和其他任何元素相等之外，和自身的比较结果也返回False：
np.nan == np.nan
#False
np.nan == None
#False
np.nan == False
#False
值得注意的是，虽然在对缺失序列或表格的元素进行比较操作的时候，np.nan的对应位置会返回False，但是在使用equals函数进行两张表或两个序列的相同性检验时，会自动跳过两侧表都是缺失值的位置，直接返回True：
s1 = pd.Series([1, np.nan])
s2 = pd.Series([1, 2])
s3 = pd.Series([1, np.nan])
s1 == 1
#0 True
#,1 False
#,dtype: bool
s1.equals(s2)
#False
s1.equals(s3)
#True
在时间序列的对象中，pandas利用pd.NaT来指代缺失值，它的作用和np.nan是一致的（时间序列的对象和构造将在时序数据讨论）：
pd.to_timedelta(['30s', np.nan]) # Timedelta中的NaT
#TimedeltaIndex(['0 days 00:00:30', NaT], dtype='timedelta64[ns]', freq=None)
pd.to_datetime(['20200101', np.nan]) # Datetime中的NaT
#DatetimeIndex(['2020-01-01', 'NaT'], dtype='datetime64[ns]', freq=None)
那么为什么要引入pd.NaT来表示时间对象中的缺失呢？仍然以np.nan的形式存放会有什么问题？在pandas中可以看到object类型的对象，而object是一种混杂对象类型，如果出现了多个类型的元素同时存储在Series中，它的类型就会变成object。例如，同时存放整数和字符串的列表：
pd.Series([1, 'two'])
#0 1
#,1 two
#,dtype: object
NaT问题的根源来自于np.nan的本身是一种浮点类型，而如果浮点和时间类型混合存储，如果不设计新的内置缺失类型来处理，就会变成含糊不清的object类型，这显然是不希望看到的。
type(np.nan)
#float
同时，由于np.nan的浮点性质，如果在一个整数的Series中出现缺失，那么其类型会转变为float64；而如果在一个布尔类型的序列中出现缺失，那么其类型就会转为object而不是bool：
pd.Series([1, np.nan]).dtype
#dtype('float64')
pd.Series([True, False, np.nan]).dtype
#dtype('O')
因此，在进入1.0.0版本后，pandas尝试设计了一种新的缺失类型pd.NA以及三种Nullable序列类型来应对这些缺陷，它们分别是Int, boolean和string。
2.Nullable类型的性质
从字面意义上看Nullable就是可空的，言下之意就是序列类型不受缺失值的影响。例如，在上述三个Nullable类型中存储缺失值，都会转为pandas内置的pd.NA：
pd.Series([np.nan, 1], dtype = 'Int64') # "i"是大写的
# 0 在Int的序列中，返回的结果会尽可能地成为Nullable的类型：
pd.Series([np.nan, 0], dtype = 'Int64') + 1
#0 对于boolean类型的序列而言，其和bool序列的行为主要有两点区别：
第一点是带有缺失的布尔列表无法进行索引器中的选择，而boolean会把缺失值看作False：
s = pd.Series(['a', 'b'])
s_bool = pd.Series([True, np.nan])
s_boolean = pd.Series([True, np.nan]).astype('boolean')
# s[s_bool] # 报错
s[s_boolean]
#0 a
#,dtype: object
第二点是在进行逻辑运算时，bool类型在缺失处返回的永远是False，而boolean会根据逻辑运算是否能确定唯一结果来返回相应的值。那什么叫能否确定唯一结果呢？举个简单例子：True | pd.NA中无论缺失值为什么值，必然返回True；False | pd.NA中的结果会根据缺失值取值的不同而变化，此时返回pd.NA；False & pd.NA中无论缺失值为什么值，必然返回False。
s_boolean & True
#0 True
#,1 关于string类型的具体性质将在文本数据中进行讨论。
一般在实际数据处理时，可以在数据集读入后，先通过convert_dtypes转为Nullable类型：
df = pd.read_csv('../data/learn_pandas.csv')
df = df.convert_dtypes()
df.dtypes
#School string
#,Grade string
#,Name string
#,Gender string
#,Height float64
#,Weight Int64
#,Transfer string
#,Test_Number Int64
#,Test_Date string
#,Time_Record string
#,dtype: object
3.缺失数据的计算和分组
当调用函数sum, prod使用加法和乘法的时候，缺失数据等价于被分别视作0和1，即不改变原来的计算结果：
s = pd.Series([2,3,np.nan,4,5])
s.sum()
#14.0
s.prod()
#120.0
s.cumsum() #当使用累计函数时，会自动跳过缺失值所处的位置：
#0 2.0
#,1 5.0
#,2 NaN
#,3 9.0
#,4 14.0
#,dtype: float64
当进行单个标量运算的时候，除了np.nan ** 0和1 ** np.nan这两种情况为确定的值之外，所有运算结果全为缺失（pd.NA的行为与此一致 ），并且np.nan在比较操作时一定返回False，而pd.NA返回pd.NA：
np.nan == 0
#False
pd.NA == 0
#另外需要注意的是，diff, pct_change这两个函数虽然功能相似，但是对于缺失的处理不同，前者凡是参与缺失计算的部分全部设为了缺失值，而后者缺失值位置会被设为 0% 的变化率：
s.diff()
#0 NaN
#,1 1.0
#,2 NaN
#,3 NaN
#,4 1.0
#,dtype: float64
s.pct_change()
#0 NaN
#,1 0.500000
#,2 0.000000
#,3 0.333333
#,4 0.250000
#,dtype: float64
对于一些函数而言，缺失可以作为一个类别处理，例如在groupby, get_dummies中可以设置相应的参数来进行增加缺失类别：
df_nan = pd.DataFrame({'category':['a','a','b',np.nan,np.nan], 'value':[1,3,5,7,9]})
df_nan
# category value
#0 a 1
#1 a 3
#2 b 5
#3 NaN 7
#4 NaN 9
df_nan.groupby('category', dropna=False)['value'].mean() # pandas版本大于1.1.0
#category
#,a 2
#,b 5
#,NaN 8
#,Name: value, dtype: int64
pd.get_dummies(df_nan.category, dummy_na=True)
# a b NaN
#0 1 0 0
#1 1 0 0
#2 0 1 0
#3 0 0 1
#4 0 0 1
参考：阿里云天池