Python—关于Pandas缺失值问题(国内唯一)

获取文中的CSV文件用于代码编程以及文章首发地址,请点击下方超链接

获取CSV,用于编程调试请点这

在本文中,我们将使用PythonPandas库逐步完成许多不同的数据清理任务。具体而言,我们将重点关注可能是最大的数据清理任务,即 缺少值。

缺失值的来源

在深入研究代码之前,了解丢失数据的来源很重要。这是数据丢失的一些典型原因:

  • 用户忘记填写字段。
  • 从旧版数据库手动传输时,数据丢失。
  • 发生编程错误。
  • 用户选择不填写字段。

其中一些来源只是简单的随机错误。在其他时候,可能会有更深层的原因导致数据丢失。

准备工作

在开始清理数据集之前,最好先大致了解一下数据。

  • 有哪些功能?
  • 预期的类型是什么(int,float,string,boolean)?
  • 是否有明显的缺失数据(熊猫可以检测到的值)?
  • 是否还有其他类型的丢失数据不太明显(无法通过Pandas轻松检测到)?

了说明我的意思,让我们开始研究示例。

我们要使用的数据是非常小的房地产数据集。获取CSV文件。你可以单击此处获取,以便可以进行编码。
在这里插入图片描述

快速浏览一下数据:

快速了解数据的一种好方法是查看前几行。在Pandas中,你要编写以下代码:

# Importing libraries
import pandas as pd
import numpy as np

# Read csv file into a pandas dataframe
df = pd.read_csv("property data.csv")

# Take a look at the first few rows
print df.head()

Out:
   ST_NUM    ST_NAME OWN_OCCUPIED  NUM_BEDROOMS
0   104.0     PUTNAM            Y           3.0
1   197.0  LEXINGTON            N           3.0
2     NaN  LEXINGTON            N           3.0
3   201.0   BERKELEY          NaN           1.0
4   203.0   BERKELEY            Y           3.0

我知道我说过我们将使用Pandas,但是可以看到我也使用了Numpy。稍后我们将使用它来重命名一些缺失的值。

导入库后,我们将csv文件读取到Pandas数据框中。

使用该方法,我们可以轻松看到前几行。(使用.head()方法)

从列名称中推断出以下字符组非常容易:

  • ST_NUM: 街道号码
  • ST_NAME: 街道名称
  • OWN_OCCUPIED:住所所有人是否被占用
  • NUM_BEDROOMS:卧室数

我们还可以进行设置,获取的数据类型是啥?

  • ST_NUM:float或int…某种数字类型
  • ST_NAME: 细绳
  • OWN_OCCUPIED:字符串…Y(“是”)或N(“否”)
  • NUM_BEDROOMS:float或int,数字类型

标准缺失值

“标准缺失值”是什么意思?这些是Pandas可以检测到的缺失值。

回到我们的原始数据集,让我们看一下“ ST_NUM”列。
在这里插入图片描述

第三列中有一个空单元格。在第七行中,有一个“ NA”值。

显然,这些都是缺失值。让我们看看Pandas如何处理这些问题

# 查看ST_NUM列
print df['ST_NUM']
print df['ST_NUM'].isnull()
# 查看ST_NUM列
Out:
0    104.0
1    197.0
2      NaN
3    201.0
4    203.0
5    207.0
6      NaN
7    213.0
8    215.0

Out:
0    False
1    False
2     True
3    False
4    False
5    False
6     True
7    False
8    False

看一下该列,我们可以看到Pandas在空白处填充了“ NA”。使用该方法,我们可以确认缺失值和“ NA”都被识别为缺失值。两个布尔响应均为。isnull()True

这是一个简单的示例,但强调了一个重点。Pandas会将空单元格和“ NA”类型都识别为缺失值。 下面,我将介绍一些Pandas无法识别的类型。

非标准缺失值

有时可能是缺少具有不同格式的值的情况。

让我们看一下“Number of Bedrooms”一栏,了解我的意思。
在这里插入图片描述

在此列中,有四个缺失值。

  • n/a
  • NA
  • na

从上面中,我们知道Pandas会将“ NA”识别为缺失值,但其他的情况呢?让我们来看看。

# 看NUM_BEDROOMS这一栏
print df['NUM_BEDROOMS']
print df['NUM_BEDROOMS'].isnull()

Out:
0      3
1      3
2    n/a
3      1
4      3
5    NaN
6      2
7     --
8     na

Out:
0    False
1    False
2    False
3    False
4    False
5     True
6    False
7    False
8    False

就像以前一样,Pandas认为“ NA”是缺失的价值。不幸的是,其他类型未被识别。

如果有多个用户手动输入数据,则这是一个常见问题。也许我喜欢使用“ n / a”,但是其他人喜欢使用“ na”。

检测这些各种格式的一种简单方法是将它们放在列表中。然后,当我们导入数据时,Pandas会立即识别出它们。这是我们将如何执行此操作的示例。

# 列出缺失的值类型
missing_values = ["n/a", "na", "--"]
df = pd.read_csv("property data.csv", na_values = missing_values)

现在,让我们再看一下该栏,看看会发生什么。

# 看NUM_BEDROOMS这一栏
print df['NUM_BEDROOMS']
print df['NUM_BEDROOMS'].isnull()
Out:
0    3.0
1    3.0
2    NaN
3    1.0
4    3.0
5    NaN
6    2.0
7    NaN
8    NaN

Out:
0    False
1    False
2     True
3    False
4    False
5     True
6    False
7     True
8     True

下面中,我们将介绍一种更复杂但很常见的缺失值类型。

意外的缺失值

到目前为止,我们已经看到了标准缺失值和非标准缺失值。如果我们出现意外类型怎么办?

例如,如果我们的功能应该是字符串,但是有数字类型,那么从技术上讲,这也是一个缺失值。

让我们看一下“Owner Occupied**”一栏,看看我在说什么。

在这里插入图片描述

从前面的示例中,我们知道Pandas将检测到第7行中的空单元格为缺失值。让我们用一些代码进行确认。

# 查看OWN_OCCUPIED列
print df['OWN_OCCUPIED']
print df['OWN_OCCUPIED'].isnull()
# 查看OWN_OCCUPIED列
Out:
0      Y
1      N
2      N
3     12
4      Y
5      Y
6    NaN
7      Y
8      Y

Out:
0    False
1    False
2    False
3    False
4    False
5    False
6     True
7    False
8    False

在第四行中,数字为12。Owner Occupied的响应显然应该是字符串(Y或N),因此此数字类型应为缺失值

这个示例稍微复杂一点,因此我们需要考虑一种策略来检测这些类型的缺失值。有很多不同的方法,但是这是我要通过这种方法工作的方式。

  • 遍历OWN_OCCUPIED列
  • 尝试将条目转换为整数
  • 如果条目可以更改为整数,请输入缺失值
  • 如果数字不能是整数,我们知道它是一个字符串,所以继续

看一下代码,然后我将对其进行详细介绍

# 检测数据
cnt=0
for row in df['OWN_OCCUPIED']:
    try:
        int(row)
        df.loc[cnt, 'OWN_OCCUPIED']=np.nan
    except ValueError:
        pass
    cnt+=1

在代码中,我们循环浏览“所有者已占用”列中的每个条目。要尝试将条目更改为整数,我们使用。int(row)

如果可以将值更改为整数,则可以使用Numpy's将条目更改为缺少的值。np.nan

另一方面,如果不能将其更改为整数,我们pass将继续。

您会注意到我使用tryexcept ValueError。这称为异常处理,我们使用它来处理错误。

如果我们尝试将一个条目更改为一个整数并且无法更改,则将ValueError返回a,并且代码将停止。为了解决这个问题,我们使用异常处理来识别这些错误,并继续进行下去。

代码的另一个重要部分是.loc方法。这是用于修改现有条目的首选Pandas方法。有关此的更多信息,请查看Pandas文档。

现在,我们已经研究了检测缺失值的不同方法,下面将概述和替换它们。

总结缺失值

清除缺失的值后,我们可能要对它们进行汇总。例如,我们可能要查看每个功能的缺失值总数。

# Total missing values for each feature
print df.isnull().sum()
Out:
ST_NUM          2
ST_NAME         0
OWN_OCCUPIED    2
NUM_BEDROOMS    4

在更多的时候,我们可能需要进行快速检查,以查看是否根本缺少任何值。

# Any missing values?
print df.isnull().values.any()
Out:
True

我们可能还希望获得缺失值的总数。

# Total number of missing values
print df.isnull().sum().sum()
Out:
8

在上面,我们总结了缺失值的数量,让我们看一下如何进行一些简单的替换。

更换

通常,您必须弄清楚如何处理缺失值。

有时,您只是想删除这些行,而其他时候,您将替换它们。

正如我之前提到的,这不应该掉以轻心。我们将介绍一些基本的推论。

# 用一个数字替换缺失的值
df['ST_NUM'].fillna(125, inplace=True)

如果进行基于位置的插补。

# 基于位置的更换
df.loc[2,'ST_NUM'] = 125

替换缺失值的一种非常常见的方法是使用中位数。

# 取代使用中位数
median = df['NUM_BEDROOMS'].median()
df['NUM_BEDROOMS'].fillna(median, inplace=True)