pandas 缺失數(shù)據(jù)處理大全（附代碼）
↑?關(guān)注 + 星標(biāo)?，每天學(xué)Python新技能
后臺回復(fù)【大禮包】送你Python自學(xué)大禮包
利用閑暇之余將有關(guān)數(shù)據(jù)清洗、數(shù)據(jù)分析的一些技能再次進行分類，里面也包含了我平時用到的一些小技巧，此次就從數(shù)據(jù)清洗缺失值處理走起。
一、缺失值類型
在pandas中，缺失數(shù)據(jù)顯示為NaN。缺失值有3種表示方法，np.nan，none，pd.NA。
1、np.nan
缺失值有個特點（坑），它不等于任何值，連自己都不相等。如果用nan和任何其它值比較都會返回nan。
np.nan?==?np.nan
>>?False
也正由于這個特點，在數(shù)據(jù)集讀入以后，不論列是什么類型的數(shù)據(jù)，默認的缺失值全為np.nan。
因為nan在Numpy中的類型是浮點，因此整型列會轉(zhuǎn)為浮點；而字符型由于無法轉(zhuǎn)化為浮點型，只能歸并為object類型（'O'），原來是浮點型的則類型不變。
type(np.nan)
>>?float
pd.Series([1,2,3]).dtype
>>?dtype('int64')
pd.Series([1,np.nan,3]).dtype
>>?dtype('float64')
初學(xué)者做數(shù)據(jù)處理遇見object類型會發(fā)懵，不知道這是個啥，明明是字符型，導(dǎo)入后就變了，其實是因為缺失值導(dǎo)致的。
除此之外，還要介紹一種針對時間序列的缺失值，它是單獨存在的，用NaT表示，是pandas的內(nèi)置類型，可以視為時間序列版的np.nan，也是與自己不相等。
s_time?=?pd.Series([pd.Timestamp('20220101')]*3)
s_time
>>?0?2022-01-01
???1?2022-01-01
???2?2022-01-01
???dtype:datetime64[ns]
-----------------
s_time[2]?=?pd.NaT
s_time
>>?0?2022-01-01
???1?2022-01-01
???2?NaT
???dtype:datetime64[ns]
2、None
還有一種就是None，它要比nan好那么一點，因為它至少自己與自己相等。
None?==?None
>>?True
在傳入數(shù)值類型后，會自動變?yōu)?code style="overflow-wrap: break-word;padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;background-color: rgba(27, 31, 35, 0.05);font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(89, 89, 89);font-size: 13px;letter-spacing: 0.5px;">np.nan。
type(pd.Series([1,None])[1])
>>?numpy.float64
只有當(dāng)傳入object類型時是不變的，因此可以認為如果不是人工命名為None的話，它基本不會自動出現(xiàn)在pandas中，所以None大家基本也看不到。
type(pd.Series([1,None],dtype='O')[1])
>>?NoneType
3、NA標(biāo)量
pandas1.0以后的版本中引入了一個專門表示缺失值的標(biāo)量pd.NA，它代表空整數(shù)、空布爾值、空字符，這個功能目前處于實驗階段。
開發(fā)者也注意到了這點，對于不同數(shù)據(jù)類型采取不同的缺失值表示會很亂。pd.NA就是為了統(tǒng)一而存在的。pd.NA的目標(biāo)是提供一個缺失值指示器，可以在各種數(shù)據(jù)類型中一致使用(而不是np.nan、None或者NaT分情況使用)。
s_new?=?pd.Series([1,?2],?dtype="Int64")
s_new
>>?0???1
???1???2
???dtype:?Int64
-----------------
s_new[1]?=?pd.NaT
s_new
>>?0????1
???1??
???dtype:?Int64
同理，對于布爾型、字符型一樣不會改變原有數(shù)據(jù)類型,這樣就解決了原來動不動就變成object類型的麻煩了。
下面是pd.NA的一些常用算術(shù)運算和比較運算的示例：
#####?算術(shù)運算
#?加法
pd.NA?+?1
>>?
-----------
#?乘法
"a"?*?pd.NA
>>?
-----------
#?以下兩種其中結(jié)果為1
pd.NA?**?0
>>?1
-----------
1?**?pd.NA
>>?1
#####?比較運算
pd.NA?==?pd.NA
>>?
-----------
pd.NA?2.5
>>?
-----------
np.log(pd.NA)
>>?
-----------
np.add(pd.NA,?1)
>>?
二、缺失值判斷
了解了缺失值的幾種形式后，我們要知道如何判斷缺失值。對于一個dataframe而言，判斷缺失的主要方法就是isnull()或者isna()，這兩個方法會直接返回True和False的布爾值。可以是對整個dataframe或者某個列。
df?=?pd.DataFrame({
??????'A':['a1','a1','a2','a3'],
??????'B':['b1',None,'b2','b3'],
??????'C':[1,2,3,4],
??????'D':[5,None,9,10]})
#?將無窮設(shè)置為缺失值??????
pd.options.mode.use_inf_as_na?=?True
1、對整個dataframe判斷缺失
df.isnull()
>>?A?B?C?D
0?False?False?False?False
1?False?True?False?True
2?False?False?False?False
3?False?False?False?False
2、對某個列判斷缺失
df['C'].isnull()
>>?0????False
???1????False
???2????False
???3????False
Name:?C,?dtype:?bool
如果想取非缺失可以用notna()，使用方法是一樣的，結(jié)果相反。
三、缺失值統(tǒng)計
1、列缺失
一般我們會對一個dataframe的列進行缺失統(tǒng)計，查看每個列有多少缺失，如果缺失率過高再進行刪除或者插值等操作。那么直接在上面的isnull()返回的結(jié)果上直接應(yīng)用.sum()即可，axis默認等于0，0是列，1是行。
##?列缺失統(tǒng)計
isnull().sum(axis=0)
2、行缺失
但是很多情況下，我們也需要對行進行缺失值判斷。比如一行數(shù)據(jù)可能一個值都沒有，如果這個樣本進入模型，會造成很大的干擾。因此，行列兩個缺失率通常都要查看并統(tǒng)計。
操作很簡單，只需要在sum()中設(shè)置axis=1即可。
##?行缺失統(tǒng)計
isnull().sum(axis=1)
3、缺失率
有時我不僅想要知道缺失的數(shù)量，我更想知道缺失的比例，即缺失率。正?？赡軙氲接蒙厦媲蟮脭?shù)值再比上總行數(shù)。但其實這里有個小技巧可以一步就實現(xiàn)。
##?缺失率
df.isnull().sum(axis=0)/df.shape[0]
##?缺失率（一步到位）
isnull().mean()
四、缺失值篩選
篩選需要loc配合完成，對于行和列的缺失篩選如下：
#?篩選有缺失值的行
df.loc[df.isnull().any(1)]
>>?A?B?C?D
1?a1?None?2?NaN
-----------------
#?篩選有缺失值的列
df.loc[:,df.isnull().any()]
>>?B?D
0?b1?5.0
1?None?NaN
2?b2?9.0
3?b3?10.0
如果要查詢沒有缺失值的行和列，可以對表達式用取反~操作：
df.loc[~(df.isnull().any(1))]
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
上面使用了any判斷只要有缺失就進行篩選，也可以用all判斷是否全部缺失，同樣可以對行里進行判斷，如果整列或者整行都是缺失值，那么這個變量或者樣本就失去了分析的意義，可以考慮刪除。
五、缺失值填充
一般我們對缺失值有兩種處理方法，一種是直接刪除，另外一種是保留并填充。下面先介紹填充的方法fillna。
#?將dataframe所有缺失值填充為0
df.fillna(0)
>>?A?B?C?D
0?a1?b1?1?5.0
1?a1?0?2?0.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
--------------
#?將D列缺失值填充為-999
df.D.fillna('-999')
>>?0???????5
???1????-999
???2???????9
???3??????10
Name:?D,?dtype:?object
方法很簡單，但使用時需要注意一些參數(shù)。
inplace：可以設(shè)置 fillna(0, inplace=True)來讓填充生效，原dataFrame被填充。methond：可以設(shè)置 methond方法來實現(xiàn)向前或者向后填充，pad/ffill為向前填充，bfill/backfill為向后填充，比如df.fillna(methond='ffill')，也可以簡寫為df.ffill()。
df.ffill()
>>?A?B?C?D
0?a1?b1?1?5.0
1?a1?b1?2?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
原缺失值都會按照前一個值來填充(B列1行，D列1行)。
除了用前后值來填充，也可以用整個列的均值來填充，比如對D列的其它非缺失值的平均值8來填充缺失值。
df.D.fillna(df.D.mean())
>>?0?????5.0
???1?????8.0
???2?????9.0
???3????10.0
Name:?D,?dtype:?float64
六、缺失值刪除
刪除缺失值也非情況，比如是全刪除還是刪除比較高缺失率，這個要看自己的容忍程度，真實的數(shù)據(jù)必然會存在缺失的，這個無法避免。而且缺失在某些情況下也代表了一定的含義，要視情況而定。
1、全部直接刪除
#?全部直接刪除
df.dropna()
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
2、行缺失刪除
#?行缺失刪除
df.dropna(axis=0)
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
3、列缺失刪除
#?列缺失刪除
df.dropna(axis=1)
>>?A?C
0?a1?1
1?a1?2
2?a2?3
3?a3?4
-------------
#?刪除指定列范圍內(nèi)的缺失,因為C列無缺失，所以最后沒有變化
df.dropna(subset=['C'])
>>?A?B?C?D
0?a1?b1?1?5.0
1?a1?None?2?NaN
2?a2?b2?3?9.0
3?a3?b3?4?10.0
4、按缺失率刪除
這個可以考慮用篩選的方法來實現(xiàn)，比如要刪除列缺失大于0.1的（即篩選小于0.1的）。
df.loc[:,df.isnull().mean(axis=0)?0.1]
>>?A?C
0?a1?1
1?a1?2
2?a2?3
3?a3?4
-------------
#?刪除行缺失大于0.1的
df.loc[df.isnull().mean(axis=1)?0.1]
>>?A?B?C?D
0?a1?b1?1?5.0
2?a2?b2?3?9.0
3?a3?b3?4?10.0
七、缺失值參與計算
如果不對缺失值處理，那么缺失值會按照什么邏輯進行計算呢？
下面我們一起看一下各種運算下缺失值的參與邏輯。
1、加法
df
>>A?B?C?D
0?a1?b1?1?5.0
1?a1?None?2?NaN
2?a2?b2?3?9.0
3?a3?b3?4?10.0
---------------
#?對所有列求和
df.sum()
>>?A????a1a1a2a3
???C??????????10
???D??????????24
可以看到，加法是會忽略缺失值的。
2、累加
#?對D列進行累加
df.D.cumsum()
>>?0?????5.0
???1?????NaN
???2????14.0
???3????24.0
Name:?D,?dtype:?float64
---------------
df.D.cumsum(skipna=False)
>>?0????5.0
???1????NaN
???2????NaN
???3????NaN
Name:?D,?dtype:?float64
cumsum累加會忽略NA，但值會保留在列中，可以使用skipna=False跳過有缺失值的計算并返回缺失值。
3、計數(shù)
#?對列計數(shù)
df.count()
>>?A????4
???B????3
???C????4
???D????3
dtype:?int64
缺失值不進入計數(shù)范圍里。
4、聚合分組
df.groupby('B').sum()
>>?C?D
B??
b1?1?5.0
b2?3?9.0
b3?4?10.0
---------------
df.groupby('B',dropna=False).sum()
>>?C?D
B??
b1?1?5.0
b2?3?9.0
b3?4?10.0
NaN?2?0.0
聚合時會默認忽略缺失值，如果要缺失值計入到分組里，可以設(shè)置dropna=False。這個用法和其它比如value_counts是一樣的，有的時候需要看缺失值的數(shù)量。
以上就是所有關(guān)于缺失值的常用操作了，從理解缺失值的3種表現(xiàn)形式開始，到缺失值判斷、統(tǒng)計、處理、計算等。
原創(chuàng)不易，歡迎點贊、在看支持。
參考：
[1]深入淺出pandas
[2]https://mp.weixin.qq.com/s/Ool5T49RxYj-Os4DWzTeyQ
推薦閱讀
您看此文用? ?
?分?
?
秒，轉(zhuǎn)發(fā)只需1秒哦