數(shù)據(jù)清理中存在的問題及對(duì)策
本文轉(zhuǎn)載自微信公眾號(hào)「數(shù)倉(cāng)寶貝庫(kù)」，作者趙志強(qiáng) 等。轉(zhuǎn)載本文請(qǐng)聯(lián)系數(shù)倉(cāng)寶貝庫(kù)公眾號(hào)。
現(xiàn)實(shí)世界中的數(shù)據(jù)量越來越大，也越來越容易受到噪聲、缺失值和不一致數(shù)據(jù)等的影響。數(shù)據(jù)庫(kù)太大，如若有不同的來源，那么臟數(shù)據(jù)問題一定會(huì)存在，這是不可避免的。為了使數(shù)據(jù)中的各種問題對(duì)我們的建模影響最小化，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。
在實(shí)際操作中，數(shù)據(jù)預(yù)處理通常分為兩大步，一是數(shù)據(jù)清洗，二是數(shù)據(jù)的基本分析。這兩步并不一定是按先后順序進(jìn)行的，通常也會(huì)相互影響。比如，有的錯(cuò)誤數(shù)據(jù)(不可能出現(xiàn)的極值)，必須通過基本的統(tǒng)計(jì)分析才能發(fā)現(xiàn)。
有一種說法，數(shù)據(jù)的預(yù)處理會(huì)占據(jù)絕大部分的工作量，有的甚至?xí)_(dá)到所有工作量的80%，建模和算法真正的工作量其實(shí)只有20%。這個(gè)結(jié)論在互聯(lián)網(wǎng)或者傳統(tǒng)IT領(lǐng)域，特別是面對(duì)大量的非結(jié)構(gòu)化數(shù)據(jù)時(shí)，確實(shí)是事實(shí)。
所以第一步，也是非常關(guān)鍵的一步，就是數(shù)據(jù)清理。為了清理數(shù)據(jù)，我們必須要知道可能存在的問題，才能針對(duì)相應(yīng)的問題設(shè)計(jì)相應(yīng)的方法。
原始數(shù)據(jù)可能存在如下三種問題。
- 數(shù)據(jù)缺失：數(shù)據(jù)缺失的問題在高頻數(shù)據(jù)里面特別常見。而且由于很多投資者是自己實(shí)時(shí)下載的數(shù)據(jù)，因此即使之后發(fā)現(xiàn)也很難彌補(bǔ)。
- 噪聲或者離群點(diǎn)：由于系統(tǒng)或者人為的失誤，導(dǎo)致數(shù)據(jù)出現(xiàn)明顯的錯(cuò)誤，比如某支股票的價(jià)格本應(yīng)在12元左右，結(jié)果突然出現(xiàn)了100元的價(jià)格數(shù)據(jù)。
- 數(shù)據(jù)不一致：很多投資者，為了確保數(shù)據(jù)正確性，會(huì)使用多個(gè)數(shù)據(jù)源進(jìn)行交叉驗(yàn)證，這時(shí)往往會(huì)出現(xiàn)數(shù)據(jù)不一致的問題。即使是同一個(gè)數(shù)據(jù)源，有時(shí)候也會(huì)出現(xiàn)數(shù)據(jù)不一致的問題。比如期貨行情數(shù)據(jù)，Wind、文華、MC的數(shù)據(jù)都有可能出現(xiàn)不一致的問題，數(shù)據(jù)頻率越高，不一致的可能性就越大。
01缺失值
針對(duì)缺失值，實(shí)際操作中，需要兩套程序：一套程序是檢查缺失值，一套程序是填補(bǔ)缺失值。一般流程是，先檢查缺失值，研究缺失值，選擇填補(bǔ)方法，進(jìn)行填補(bǔ)，然后再次檢查。這樣迭代循環(huán)，直到將數(shù)據(jù)缺失控制在可接受范圍內(nèi)。
缺失值，也有多種類型，一種是“正常缺失”，比如股票在某一天停牌，那么這一天的交易數(shù)據(jù)就是沒有的。一種是“非正常缺失”，比如明明有交易，但就是沒有交易數(shù)據(jù)。
舉個(gè)例子，在下載5分鐘數(shù)據(jù)的時(shí)候，發(fā)現(xiàn)20160104的數(shù)據(jù)都有缺失，但Wind上的數(shù)據(jù)又顯示當(dāng)天的交易情況為“交易”。實(shí)際情況是當(dāng)天發(fā)生了“熔斷”，因?yàn)槭切碌臋C(jī)制，所以Wind還沒來得及準(zhǔn)備一個(gè)字段用于表示當(dāng)天的交易狀態(tài)。這種情況就屬于數(shù)據(jù)的“正常缺失”，只是交易狀態(tài)與數(shù)據(jù)不一致而已。Wind的交易狀態(tài)字段如下圖所示。
在檢查缺失值時(shí)，這兩種缺失需要分辨清楚，因?yàn)椴煌娜笔е?，處理方法也不一樣。檢查好缺失值之后，就需要進(jìn)行處理了。先處理“非正常缺失”，一般流程具體如下。
1)檢查提取數(shù)據(jù)是否出錯(cuò)。有時(shí)候，數(shù)據(jù)源本身是完整的，然而自己在提取數(shù)據(jù)的時(shí)候出現(xiàn)了問題。比如，筆者在使用市場(chǎng)上某家的金融高頻數(shù)據(jù)的時(shí)候，下載5分鐘數(shù)據(jù)計(jì)算高頻波動(dòng)率，發(fā)現(xiàn)存在很多缺失的數(shù)據(jù)。經(jīng)該公司后臺(tái)查詢后發(fā)現(xiàn)，他們的數(shù)據(jù)庫(kù)其實(shí)是有這個(gè)數(shù)據(jù)的，這說明是在下載數(shù)據(jù)的過程中出現(xiàn)了問題。
2)從其他數(shù)據(jù)源提取。有的數(shù)據(jù)源本身就缺失了數(shù)據(jù)，對(duì)于這種情況可以再尋找另外一個(gè)數(shù)據(jù)源進(jìn)行補(bǔ)充。
算法填充。有的時(shí)候，我們沒有辦法使用多數(shù)據(jù)源進(jìn)行補(bǔ)充，而且有的數(shù)據(jù)本身就有空缺，無法補(bǔ)充。這個(gè)時(shí)候，可以退而求其次，使用算法填充。
常用算法有向前填充和向后填充兩種。所謂向前填充是指使用之前最近的一個(gè)數(shù)據(jù)對(duì)空值進(jìn)行填充。向后填充是指使用之后最近的一個(gè)數(shù)據(jù)對(duì)空值進(jìn)行填充。
Pandas提供了一個(gè)函數(shù)用于數(shù)據(jù)填充。示例代碼如下：
- df = pd.DataFrame([[np.nan, 2, np.nan, 0],
- ... [3, 4, np.nan, 1],
- ... [np.nan, np.nan, np.nan, 5],
- ... [np.nan, 3, np.nan, 4]],
- ... columns=list('ABCD'))
- df
- A B C D
- 0 NaN 2.0 NaN 0
- 1 3.0 4.0 NaN 1
- 2 NaN NaN NaN 5
向前填充的示例代碼如下：
- df.fillna(method='ffill')
- A B C D
- 0 NaN 2.0 NaN 0
- 1 3.0 4.0 NaN 1
- 2 3.0 4.0 NaN 5
- 3 3.0 3.0 NaN 4
除了向前填充，該函數(shù)也支持向后填充，不過，要使用特定的值進(jìn)行填充。
有的數(shù)據(jù)發(fā)生了缺失，無法使用簡(jiǎn)單的向前填充或向后填充來處理。比如，使用Wind下載a股復(fù)權(quán)數(shù)據(jù)，會(huì)發(fā)現(xiàn)交易狀態(tài)trade_status在1999年之前都是空值，雖然實(shí)際上是有交易的，但如果直接按照trade_status=‘交易’這個(gè)條件來篩選，將會(huì)把1999年之前的所有數(shù)據(jù)都去掉。這個(gè)時(shí)候就需要根據(jù)邏輯設(shè)計(jì)一個(gè)算法來進(jìn)行填充，比如將成交量volume>0的都填充為“交易”。
02 噪聲或者離群點(diǎn)
噪聲或離群點(diǎn)的問題一般有兩種情況，一種是數(shù)據(jù)錯(cuò)誤導(dǎo)致的，比如本來應(yīng)該是10.0的數(shù)據(jù)，錯(cuò)誤顯示為10000;另一種則是其本身是真實(shí)數(shù)據(jù)，但就是離群點(diǎn)，比如金融危機(jī)中的收益率或者波動(dòng)率，可能就非常極端，成為離群點(diǎn)。
一般的處理步驟具體如下。
1)通過一定的算法識(shí)別出離群點(diǎn)。一般是使用該數(shù)據(jù)標(biāo)準(zhǔn)差的多少倍來判斷。比如正太分布中，正負(fù)標(biāo)準(zhǔn)差3倍以上的概率是99.7%，可以將其認(rèn)定為可疑離群點(diǎn)。
2)人工判斷離群點(diǎn)是屬于錯(cuò)誤數(shù)據(jù)導(dǎo)致的，還是正常的離群點(diǎn)。
3)對(duì)離群點(diǎn)進(jìn)行處理。一般來說，錯(cuò)誤的離群點(diǎn)需要更正或者刪除。正常的離群點(diǎn)則需要另外建模進(jìn)行分析。
03數(shù)據(jù)不一致
為了確保數(shù)據(jù)的準(zhǔn)確性，有時(shí)候需要使用多種數(shù)據(jù)源進(jìn)行交叉驗(yàn)證。比如，在研究港股的時(shí)候，對(duì)比了Wind和Bloomberg的后復(fù)權(quán)數(shù)據(jù)之后，發(fā)現(xiàn)兩者存在很大的差別，這就是數(shù)據(jù)不一致的問題，但我們并不能確定哪一個(gè)才是正確的，于是又加入了同花順和CSMAR的數(shù)據(jù)進(jìn)行對(duì)比，發(fā)現(xiàn)后者與Wind的數(shù)據(jù)是一致的。所以可以確認(rèn)是Bloomberg的問題，因而采用Wind的數(shù)據(jù)。
當(dāng)然，在實(shí)際工作中，數(shù)據(jù)清理的問題要遠(yuǎn)遠(yuǎn)多于這里介紹的幾種，需要系統(tǒng)性地、仔細(xì)地去處理。
本書摘編自《Python量化投資：技術(shù)、模型與策略》，經(jīng)出版方授權(quán)發(fā)布。
