Pandas缺失值处理

NaN

加载包含缺失的数据

查看缺失值

通过info函数查看缺失值

通过isnull函数查看缺失值

通过notnull函数查看缺失值

通过isnull().sum()统计空值

缺失值处理

准备数据

dropna删除缺失值

fillna平均值填充缺失值

fillna前后值填充缺失值

interpolate线性插值

NaN

数据库中，缺失数据表示为NULL
在某些编程语言中用NA或None表示
缺失值也可能是空字符串''或数值 0
在Pandas中使用NaN表示缺失值
- Pandas中的NaN值来自NumPy库，NumPy中缺失值有几种表示形式：NaN，NAN，nan，他们都一样
缺失值和其它类型的数据不同，它毫无意义，NaN不等于0，也不等于空字符串

from numpy import NaN,NAN,nan

print(NaN==True)  # False
print(NaN==False)  # False
print(NaN==0)  # False
print(NaN=='')  # False
print(NaN==None)  # False
print(NaN==NaN)  # False
print(NaN==nan)  # False
print(NaN==NAN)  # False
print(nan==NAN)  # False

加载包含缺失的数据

加载数据时可以通过 keep_default_na 与 na_values 指定加载数据时的缺失值

1)加载数据,观察缺失值默认的显示情况

import pandas as pd

df = pd.read_csv('../data/c_city_day.csv')
df.head()

2) 使用keep_default_na=False参数加载数据，不显示默认缺失值

df = pd.read_csv('../data/c_city_day.csv', keep_default_na=False)
df.head()

3) 使用na_values参数加载数据，通过该参数指定我们认为的缺失值

# 在这里我们通过na_values参数，指鹿为马
df = pd.read_csv('../data/c_city_day.csv', na_values=["Ahmedabad", "2015-01-01"], keep_default_na=True)
df.head(20)

查看缺失值

通过info函数查看缺失值

import pandas as pd

df = pd.read_csv('../data/c_city_day.csv')
df.info()

通过isnull函数查看缺失值

pd.isnull与pd.isna用法相同

df.head().isnull()
print('===============')
df.head().isna()

通过notnull函数查看缺失值

notnull函数和notna函数相同，判断是否存在非缺失值；与isnull函数对应，返回结果正好相反

df.head().notnull()
print('==================')
df.head().notna()

通过isnull().sum()统计空值

print(df['PM2.5'].isnull().sum())
print(df['PM2.5'].notnull().sum())

缺失值处理

删除缺失值：删除缺失值会损失信息，并不推荐删除，当缺失数据占比较高的时候，或可以忽略相关性时，可以尝试使用删除缺失值
填充缺失值：填充缺失值是指用一个估算的值来去替代缺失数
- 平均值、中位数
- 前后值填充，数据呈现顺序变化的时候可以使用缺失值前边或后边的值进行填充
线性插值：假定数据点之间存在严格的线性关系，并利用相邻数据点中的非缺失值来计算缺失数据点的值

准备数据

#%%
import pandas as pd
df = pd.read_csv('../data/c_city_day.csv')
# 随机获取10条数据
df2 = df.sample(n=10, random_state=5)
df2

dropna删除缺失值

df.dropna(axis = 0,how = 'any' ,inplace = True, subset = ['列名1','列名2',,,], thresh = n)

axis=0
- 可选参数，默认为0按行删
- 0, or 'index'：删除包含缺失值的行
- 1, or 'columns'：删除包含缺失值的列
how='any'
- 可选参数，默认为any
- any: 如果存在NA值，则删除该行或列
- all: 如果所有值都是NA，则删除该行或列
inplace=False
- 可选参数，不建议使用这个参数
- 默认False, 不对原数据集进行修改
- inplce=True，对原数据集进行修改
subset接收一个列表
- 接收一个列表，列表中的元素为列名: 对特定的列进行缺失值删除处理
thresh=n
- 可选参数
- 参数值为int类型，按行去除NaN值，去除NaN值后该行剩余数值的数量（列数）大于等于n，便保留这一行

1) 删除含有缺失值的行数据

df2.dropna()

2) 删除含有缺失值的列

# 删除含有缺失值的列
df2.dropna(axis=1)

3) 删除指定列中含有缺失值的行数据

# # 删除指定列中含有缺失值的行数据
df2.dropna(how='any', subset=['PM2.5', 'Xylene', 'AQI'])

4) 删除指定列中都含有缺失值的行数据

# 删除指定列中都含有缺失值的行数据
df2.dropna(how='all', subset=['PM2.5', 'Xylene', 'AQI'])

5) 删除非空值小于12的行数据

# 删除含有缺失值的行数据, 剩余非空值个数大于等于12的行数据保留
df2.dropna(thresh=12)

fillna平均值填充缺失值

# 目标: 用平均值填充PM2.5的缺失值
# 1 加载数据
df = pd.read_csv("../data/c_city_day.csv")
# 2 验证缺失值
df.info() # 总: 29531  PM2.5: 24933

# 3 求平均值
pm25_mean = df['PM2.5'].mean()
print(pm25_mean) # 67.45057794890272

# 4 填充平均值
df['PM2.5'].fillna(pm25_mean, inplace=True)

# 5 验证
df.info() # 总: 29531  PM2.5: 29531
print(df['PM2.5'].mean())

fillna前后值填充缺失值

时序数据在某一列值的变化往往有一定线性规律，绝大多数的时序数据，具体的列值随着时间的变化而变化，所以对于有时序的行数据缺失值处理可以 使用上一个非空值或下一个非空值填充

1) 使用上一个非空值填充空值

使用上一个非空值（参数method='ffill'）填充Xylene（二甲苯）的空值
- “ffill” 的全称是 “forward ffill”，即前向填充

# 加载数据
df = pd.read_csv('../data/c_city_day.csv')
s1 = df['Xylene'][54:64]
print(s1)
# 使用前一个非空值填充空值
print('---------------------------')
print(s1.fillna(method='ffill'))

2) 使用下一个非空值填充空值

使用下一个非空值（参数method='bfill'）填充整个数据集的空值
- “bfill” 的全称是 “backward fill”，即反向填充。

# 加载数据
df = pd.read_csv('../data/c_city_day.csv')
s1 = df['Xylene'][54:64]
print(s1)
print('---------------------------')
print(s1.fillna(method='bfill'))

interpolate线性插值

绝大多数的时序数据，具体的列值随着时间的变化而变化。因此，除了使用bfill和ffill进行插补以外还可以使用线性插值法：它假定数据点之间存在严格的线性关系，并利用相邻数据点中的非缺失值来计算缺失数据点的值。

使用df.interpolate(limit_direction="both") 对缺失数据进行线性填充
使用series_obj.interpolate(limit_direction="both") 对缺失数据进行线性填充

# 加载数据
df = pd.read_csv('../data/c_city_day.csv')
s1 = df['Xylene'][54:64]
print(s1)
print('---------------------------')
print(s1.interpolate(limit_direction='both'))