[[413843]]

本文轉載自微信公眾號「數倉寶貝庫」，作者王愷 等。轉載本文請聯系數倉寶貝庫公眾號。

 01處理缺失數據

缺失數據是數據文件中最常見的問題之一。在Pandas中的缺失值表示為NA，其中數值類型的缺失值標記為NaN(Not a Number)，datetime類型的缺失值標記為NaT(Not a Time)。缺失值的存在可能會引起后續的數據分析錯誤。

在清洗數據之前，首先要確定數據中是否存在缺失值以及缺失值的確切位置。Pandas提供了isna()和notna()方法，用于快速確定Series和DataFrame對象中缺失值的位置，其語法格式如下：

• pd.isna(data) 或者 data.isna()
• pd.notna(data) 或者 data.notna()

data可以是一個Series對象，返回值為布爾Series對象;也可以是一個DataFrame對象，返回值為布爾DataFrame對象;還可以是一個標量值，此時返回一個布爾值。對于isna方法，data中如果包含NA值，則返回值對應的位置為True，其余正常元素對應的位置為False。notna方法與isna方法相反，data中如果包含NA值，則返回值對應的位置為False，其余正常元素對應的位置為True。

Pandas提供了幾種處理缺失值的方法，即為缺失值重新賦值、刪除缺失值所在的行、刪除數據缺失率較高的列等。刪除缺失值的方法一般用于缺失值較少、對整體數據影響不大的情況。

1)Pandas提供了fillna方法用于將缺失值重新賦值為新的元素值，常用的語法格式如下：

result=data.fillna(value,method=None,…) 

其中data既可以是Series對象，也可以是DataFrame對象。value可以是一個固定的元素，比如0;value也可以是一個字典對象、Series對象或DataFrame對象，用于將data中匹配標簽(Series對象)或匹配列標簽(DataFrame對象)所對應的缺失值替換為不同的值，未與value匹配的data中的缺失值則不會被替換。method表示填充NA值的方法，缺省時默認為None。method='ffill'或者'method=pad'時使用上一個有效值填充NA值，而method='bfill'或者'method=backfill'時使用下一個有效值來填充NA值。fillna的返回值為新賦值的Series或DataFrame對象。

2)Pandas提供了dropna方法，實現按行或列刪除NA值的功能，其語法格式如下：

result =data.dropna(axis=0，how='any',…) 

如果data是Series對象，則axis只能等于0，直接刪除所有的NA值。如果data是DataFrame對象，參數axis為0或'index'，實現刪除缺失值所在的行;如果設置axis為1或'columns'，則刪除缺失值所在的列;axis缺省時默認為0。how = 'any'表示只要有NA值存在，就會刪除所在的行或列;how='all'表示只有當全部元素都是NA值時才會執行刪除操作;how缺省時默認為'any'。dropna的返回值為刪掉缺失值的Series或DataFrame對象。

3)Pandas還為Series和DataFrame提供了interpolate()方法，通過插值法補充缺失的數據點，其語法格式如下：

result=data.interpolate(method='linear',axis=0,…) 

method表示使用的插值方法，缺省時默認為線性插值'linear'。常用的還有

'time'，即根據時間間隔進行插值。除此之外，method還提供了更高級的插值方法，比如Scipy庫中的'nearest'、'zero'、'slinear'、'quadratic'、'cubic'、

'spline'、'barycentric'、'polynomial'等。axis參數的用法與dropna方法相同。

下面通過代碼清單演示Pandas提供的處理缺失數據方法的用法。

代碼清單　Pandas處理缺失數據方法的用法示例 
 
1 import pandas as pd 
 
2 import numpy as np 
 
3 df = pd.DataFrame({'A': [1, 2.1, np.nan, 4.7, 5.6], 'B': [.25, np.nan,  
 
 np.nan, 4, 12.2]}) 
 
4 print('df：\n',df) 
 
5 print('df中的元素是否為缺失值：\n',pd.isna(df)) 
 
6 df1 = df.fillna(0)#用固定值來填充 
 
7 print('用0填充缺失值后的數據：\n',df1) 
 
8 df2 = df.fillna(value={'A': 1, 'B': 2}) #將A、B列中的NaN分別替換為1、2 
 
9 print('用字典填充缺失值后的數據：\n',df2) 
 
10 df3 = df.fillna(df.mean()) #用每列的平均值來填充 
 
11 print('用每列的平均值填充缺失值后的數據：\n',df3) 
 
12 df4 = df.dropna() 
 
13 print('刪除缺失值后的數據：\n',df4) 
 
14 df5=df.interpolate() 
 
15 print('線性插值法填充缺失值后的數據：\n',df5) 
 
16 df6= df.interpolate(method='polynomial',order=2) 
 
17 print('多項式插值法填充缺失值后的數據：\n',df6) 

程序執行結束后，輸出結果如下：

df： 
 
    A        B 
 
0  1.0     0.25 
 
1  2.1      NaN 
 
2  NaN      NaN 
 
3  4.7     4.00 
 
4  5.6    12.20 
 
df中的元素是否為缺失值： 
 
    A       B 
 
0  False  False 
 
1  False   True 
 
2   True   True 
 
3  False  False 
 
4  False  False 
 
用0填充缺失值后的數據： 
 
   A       B 
 
0  1.0   0.25 
 
1  2.1   0.00 
 
2  0.0   0.00 
 
3  4.7   4.00 
 
4  5.6  12.20 
 
用字典填充缺失值后的數據： 
 
   A      B 
 
0  1.0   0.25 
 
1  2.1   2.00 
 
2  1.0   2.00 
 
3  4.7   4.00 
 
4  5.6  12.20 
 
用每列的平均值填充缺失值后的數據： 
 
    A          B 
 
0  1.00   0.250000 
 
1  2.10   5.483333 
 
2  3.35   5.483333 
 
3  4.70   4.000000 
 
4  5.60  12.200000 
 
刪除缺失值后的數據： 
 
   A      B 
 
0  1.0   0.25 
 
3  4.7   4.00 
 
4  5.6  12.20 
 
線性插值法填充缺失值后的數據： 
 
   A      B 
 
0  1.0   0.25 
 
1  2.1   1.50 
 
2  3.4   2.75 
 
3  4.7   4.00 
 
4  5.6  12.20 
 
多項式插值法填充缺失值后的數據： 
 
       A        B 
 
0  1.000000   0.250 
 
1  2.100000  -1.975 
 
2  3.433333  -0.725 
 
3  4.700000   4.000 
 
4  5.600000  12.200 

下面對代碼清單中的代碼做簡要說明。

• 第3行代碼通過字典創建了一個5行2列的DataFrame對象df，其中使用Numpy庫中的np.nan設置了幾個缺失值，如第4行print函數的輸出結果所示。
• 第5行代碼通過isna方法來確認df中的哪些元素是缺失值，返回的結果中，True表示df中對應位置為缺失值，False則表示對應位置為正常值。
• 第6行代碼通過fillna方法使用固定值0對df中的缺失值進行填充，并將返回結果賦值給新的DataFrame對象df1，如第7行print函數的輸出結果所示。
• 第8行代碼通過fillna方法使用字典{'A': 1, 'B': 2}對df中的缺失值進行填充，A列中的NaN填充為1，B列中的NaN填充為2，并將返回結果賦值給新的DataFrame對象df2，如第9行print函數的輸出結果所示。
• 第10行代碼通過fillna方法，使用df.mean()對df中的缺失值進行填充。df.mean()的返回值是Series對象類型，表示df每列的平均值，fillna方法再用該平均值對df每列的缺失值依次進行填充，并將返回結果賦值給新的DataFrame對象df3，如第11行print函數的輸出結果所示。
• 第12行代碼通過dropna方法對df中的缺失值進行刪除，采用默認的參數設置，即刪除所有至少包含一個缺失值的行，并將返回結果賦值給新的DataFrame對象df4，如第13行print函數的輸出結果所示。
• 第14行代碼通過interpolate方法對df中的缺失值進行插值處理，采用默認的參數設置，即以列為單位進行線性插值，并將返回結果賦值給新的DataFrame對象df5，如第15行print函數的輸出結果所示。
• 第16行代碼通過interpolate方法對df中的缺失值進行了插值處理，參數method='polynomial'表示采用多項式插值法，order=2指定多項式的階數為2，并將返回結果賦值給新的DataFrame對象df6，如第17行print函數的輸出結果所示。

Tips

上文介紹的fillna、dropna、interpolate等處理缺失值的方法都是在數據的拷貝上進行處理，不會改變原數據。

02刪除重復數據

除數據缺失之外，數據文件中還可能存在重復的數據，這會對分析結果產生影響，因此，在數據清洗階段還需要刪除重復數據。

要識別數據中是否存在重復行，可以使用Pandas提供的duplicated方法。常用的語法格式如下：

data.duplicated(subset=None,keep='first',…) 

data可以是一個Series對象，也可以是一個DataFrame對象，返回值為一個表示重復行的布爾類型Series對象。當data是Series對象時，duplicated方法中沒有subset參數。subset是列標簽參數，表示考慮某些特定列來標識重復數據，缺省時默認為考慮全部列。keep決定標記哪個重復數據，缺省時默認為'first'，即對于data中的每一組重復數據，第一次出現的位置標記為False，其他重復出現的位置則標記為True。keep='last'時則表示重復數據最后一次出現的位置才標記為False，其余位置為True。

可以使用drop_duplicates方法刪除重復的行，常用的語法格式如下：

result=data.drop_duplicates(subset=None,keep='first',…) 

drop_duplicates方法的參數含義與duplicated方法相同。keep參數決定保留哪一行重復數據。返回值為刪掉重復數據的Series或DataFrame對象。

Pandas還可以利用drop_duplicates方法處理數據標簽中存在重復項的情況，具體方法是：先使用Index.duplicated方法確定數據標簽中是否存在重復值，然后再利用得到的布爾數組對數據執行行切片。

下面通過如下代碼清單演示Pandas提供的處理重復數據方法的用法。

代碼清單　Pandas處理重復數據方法的用法示例 
 
1 import pandas as pd 
 
2 df = pd.DataFrame({'brand': ['YumYum', 'YumYum', 'Indomie', 'Indomie',  
 
 'Indomie'], 'style': ['cup', 'cup', 'cup', 'pack', 'pack'], 'rating': [4,  
 
 4, 3.5, 15, 5]},index=['a', 'a', 'b', 'c', 'd']) 
 
3 print('df：\n',df) 
 
4 print('對于全列，df的行中是否存在重復項：\n',df.duplicated()) 
 
5 df1=df.drop_duplicates() 
 
6 print('刪除上述重復項后的df：\n',df1) 
 
7 print('對于brand和style列，df的行中是否存在重復項：\n',df.duplicated(subset= ['brand', 'style'])) 
 
8 df2=df.drop_duplicates(subset= ['brand', 'style']) 
 
9 print('刪除上述重復項后的df：\n',df2) 
 
10 print('df的index是否存在重復項：\n',df.index.duplicated(keep='last')) 
 
11 df3=df[~df.index.duplicated(keep='last')] 
 
12 print('刪除index重復項后的df：\n',df3) 

程序執行結束后，輸出結果如下：

df： 
 
      brand  style   rating 
 
a    YumYum    cup      4.0 
 
a    YumYum    cup      4.0 
 
b   Indomie    cup      3.5 
 
c   Indomie   pack     15.0 
 
d   Indomie   pack      5.0 
 
對于全列，df的行中是否存在重復項： 
 
a    False 
 
a     True 
 
b    False 
 
c    False 
 
d    False 
 
dtype: bool 
 
刪除上述重復項后的df： 
 
      brand   style    rating 
 
a    YumYum     cup       4.0 
 
b   Indomie     cup       3.5 
 
c   Indomie    pack      15.0 
 
d   Indomie    pack       5.0 
 
對于brand和style列，df的行中是否存在重復項： 
 
a    False 
 
a     True 
 
b    False 
 
c    False 
 
d     True 
 
dtype: bool 
 
刪除上述重復項后的df： 
 
      brand   style   rating 
 
a    YumYum     cup      4.0 
 
b   Indomie     cup      3.5 
 
c   Indomie    pack     15.0 
 
df的index是否存在重復項： 
 
[ True False False False False] 
 
刪除index重復項后的df： 
 
      brand   style   rating 
 
a    YumYum     cup      4.0 
 
b   Indomie     cup      3.5 
 
c   Indomie    pack     15.0 
 
d   Indomie    pack      5.0 

下面對代碼清單中的代碼做簡要說明。

• 第2行代碼通過字典創建了一個5行3列的DataFrame對象df，并設置index參數為['a', 'a', 'b', 'c', 'd']，如第3行print函數的輸出結果所示。
• 第4行代碼通過duplicated方法來確認df中是否存在重復數據，采用了默認的參數設置，即根據df的所有列來標識重復數據。對于df中的每一組重復數據，第一次出現的位置標記為False，其他重復出現的位置則標記為True，返回值為Series對象。從print函數的輸出結果分析得到，df中的第2行為重復數據。
• 第5行代碼通過drop_duplicates方法刪除了第4行代碼中確定的重復數據所在的行，并將返回結果賦值給新的DataFrame對象df1，如第6行print函數的輸出結果所示。
• 第7行代碼通過duplicated方法來確認df中是否存在重復數據，subset= ['brand', 'style']表示根據df的brand和style兩列來標識重復數據。對于df中的每一組重復數據，第一次出現的位置標記為False，其他重復出現的位置則標記為True，返回值為Series對象。從print函數的輸出結果分析得到，df中的第2行和第5行為重復數據。
• 第8行代碼通過drop_duplicates方法刪除了第6行代碼中確定的重復數據所在的行，并將返回結果賦值給新的DataFrame對象df2，如第9行print函數的輸出結果所示。
• 第10行代碼通過duplicated方法來確認df.index(即df的行標簽)中是否存在重復項，keep='last'表示對于df.index中的每一組重復數據，最后一次出現的位置標記為Fasle，其他重復出現的位置則標記為True，返回值為一維布爾數組。從print函數的輸出結果分析得到，df中第1行的行標簽為重復項。
• 第11行代碼通過布爾數組切片的方法刪除了df中行標簽重復的行。首先對第10行代碼得到的布爾數組進行取反操作，即將第1行重復項標記為Fasle，其他項標記為True;然后再利用得到的新布爾數組對df進行切片，截取True對應的行，并將返回結果賦值給新的DataFrame對象df3，如第12行print函數的輸出結果所示。

Tips

本文摘編于《Python數據分析與應用》，經出版方授權發布。