Pandas 缺失数据

第6章 缺失数据

在接下来的两章中，会接触到数据预处理中比较麻烦的类型，即缺失数据和文本数据（尤其是混杂型文本）

Pandas在步入1.0后，对数据类型也做出了新的尝试，尤其是Nullable类型和String类型，了解这些可能在未来成为主流的新特性是必要的

In [1]:
import pandas as pd
import numpy as np
df = pd.read_csv('data/table_missing.csv')
df.head()
Out[1]:
School Class ID Gender Address Height Weight Math Physics
0 S_1 C_1 NaN M street_1 173 NaN 34.0 A+
1 S_1 C_1 NaN F street_2 192 NaN 32.5 B+
2 S_1 C_1 1103.0 M street_2 186 NaN 87.2 B+
3 S_1 NaN NaN F street_2 167 81.0 80.4 NaN
4 S_1 C_1 1105.0 NaN street_4 159 64.0 84.8 A-

一、缺失观测及其类型

1. 了解缺失信息

（a）isna和notna方法

对Series使用会返回布尔列表

In [2]:
df['Physics'].isna().head()
Out[2]:
0    False
1    False
2    False
3     True
4    False
Name: Physics, dtype: bool
In [3]:
df['Physics'].notna().head()
Out[3]:
0     True
1     True
2     True
3    False
4     True
Name: Physics, dtype: bool

对DataFrame使用会返回布尔表

In [4]:
df.isna().head()
Out[4]:
School Class ID Gender Address Height Weight Math Physics
0 False False True False False False True False False
1 False False True False False False True False False
2 False False False False False False True False False
3 False True True False False False False False True
4 False False False True False False False False False

但对于DataFrame我们更关心到底每列有多少缺失值

In [5]:
df.isna().sum()
Out[5]:
School      0
Class       4
ID          6
Gender      7
Address     0
Height      0
Weight     13
Math        5
Physics     4
dtype: int64

此外，可以通过第1章中介绍的info函数查看缺失信息

In [6]:
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 35 entries, 0 to 34
Data columns (total 9 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   School   35 non-null     object 
 1   Class    31 non-null     object 
 2   ID       29 non-null     float64
 3   Gender   28 non-null     object 
 4   Address  35 non-null     object 
 5   Height   35 non-null     int64  
 6   Weight   22 non-null     float64
 7   Math     30 non-null     float64
 8   Physics  31 non-null     object 
dtypes: float64(3), int64(1), object(5)
memory usage: 2.6+ KB

（b）查看缺失值的所以在行

以最后一列为例，挑出该列缺失值的行

In [7]:
df[df['Physics'].isna()]
Out[7]:
School Class ID Gender Address Height Weight Math Physics
3 S_1 NaN NaN F street_2 167 81.0 80.4 NaN
8 S_1 C_2 1204.0 F street_5 162 63.0 33.8 NaN
13 S_1 C_3 1304.0 NaN street_2 195 70.0 85.2 NaN
22 S_2 C_2 2203.0 M street_4 155 91.0 73.8 NaN

（c）挑选出所有非缺失值列

使用all就是全部非缺失值，如果是any就是至少有一个不是缺失值

In [8]:
df[df.notna().all(1)]
Out[8]:
School Class ID Gender Address Height Weight Math Physics
5 S_1 C_2 1201.0 M street_5 159 68.0 97.0 A-
6 S_1 C_2 1202.0 F street_4 176 94.0 63.5 B-
12 S_1 C_3 1303.0 M street_7 188 82.0 49.7 B
17 S_2 C_1 2103.0 M street_4 157 61.0 52.5 B-
21 S_2 C_2 2202.0 F street_7 194 77.0 68.5 B+
25 S_2 C_3 2301.0 F street_4 157 78.0 72.3 B+
27 S_2 C_3 2303.0 F street_7 190 99.0 65.9 C
28 S_2 C_3 2304.0 F street_6 164 81.0 95.5 A-
29 S_2 C_3 2305.0 M street_4 187 73.0 48.9 B

2. 三种缺失符号

（a）np.nan

np.nan是一个麻烦的东西，首先它不等与任何东西，甚至不等于自己

In [9]:
np.nan == np.nan
Out[9]:
False
In [10]:
np.nan == 0
Out[10]:
False
In [11]:
np.nan == None
Out[11]:
False

在用equals函数比较时，自动略过两侧全是np.nan的单元格，因此结果不会影响

In [12]:
df.equals(df)
Out[12]:
True

其次，它在numpy中的类型为浮点，由此导致数据集读入时，即使原来是整数的列，只要有缺失值就会变为浮点型

In [13]:
type(np.nan)
Out[13]:
float
In [14]:
pd.Series([1,2,3]).dtype
Out[14]:
dtype('int64')
In [15]:
pd.Series([1,np.nan,3]).dtype
Out[15]:
dtype('float64')

此外，对于布尔类型的列表，如果是np.nan填充，那么它的值会自动变为True而不是False

In [16]:
pd.Series([1,np.nan,3],dtype='bool')
Out[16]:
0    True
1    True
2    True
dtype: bool

但当修改一个布尔列表时，会改变列表类型，而不是赋值为True

In [17]:
s = pd.Series([True,False],dtype='bool')
s[1]=np.nan
s
Out[17]:
0    1.0
1    NaN
dtype: float64

在所有的表格读取后，无论列是存放什么类型的数据，默认的缺失值全为np.nan类型

因此整型列转为浮点；而字符由于无法转化为浮点，因此只能归并为object类型（'O'），原来是浮点型的则类型不变

In [18]:
df['ID'].dtype
Out[18]:
dtype('float64')
In [19]:
df['Math'].dtype
Out[19]:
dtype('float64')
In [20]:
df['Class'].dtype
Out[20]:
dtype('O')

（b）None

None比前者稍微好些，至少它会等于自身

In [21]:
None == None
Out[21]:
True

它的布尔值为False

In [22]:
pd.Series([None],dtype='bool')
Out[22]:
0    False
dtype: bool

修改布尔列表不会改变数据类型

In [23]:
s = pd.Series([True,False],dtype='bool')
s[0]=None
s
Out[23]:
0    False
1    False
dtype: bool
In [24]:
s = pd.Series([1,0],dtype='bool')
s[0]=None
s
Out[24]:
0    False
1    False
dtype: bool

在传入数值类型后，会自动变为np.nan

In [25]:
type(pd.Series([1,None])[1])
Out[25]:
numpy.float64

只有当传入object类型是保持不动，几乎可以认为，除非人工命名None，它基本不会自动出现在Pandas中

In [26]:
type(pd.Series([1,None],dtype='O')[1])
Out[26]:
NoneType

在使用equals函数时不会被略过，因此下面的情况下返回False

In [27]:
pd.Series([None]).equals(pd.Series([np.nan]))
Out[27]:
False

（c）NaT

NaT是针对时间序列的缺失值，是Pandas的内置类型，可以完全看做时序版本的np.nan，与自己不等，且使用equals是也会被跳过

In [28]:
s_time = pd.Series([pd.Timestamp('20120101')]*5)
s_time
Out[28]:
0   2012-01-01
1   2012-01-01
2   2012-01-01
3   2012-01-01
4   2012-01-01
dtype: datetime64[ns]
In [29]:
s_time[2] = None
s_time
Out[29]:
0   2012-01-01
1   2012-01-01
2          NaT
3   2012-01-01
4   2012-01-01
dtype: datetime64[ns]
In [30]:
s_time[2] = np.nan
s_time
Out[30]:
0   2012-01-01
1   2012-01-01
2          NaT
3   2012-01-01
4   2012-01-01
dtype: datetime64[ns]
In [31]:
s_time[2] = pd.NaT
s_time
Out[31]:
0   2012-01-01
1   2012-01-01
2          NaT
3   2012-01-01
4   2012-01-01
dtype: datetime64[ns]
In [32]:
type(s_time[2])
Out[32]:
pandas._libs.tslibs.nattype.NaTType
In [33]:
s_time[2] == s_time[2]
Out[33]:
False
In [34]:
s_time.equals(s_time)
Out[34]:
True
In [35]:
s = pd.Series([True,False],dtype='bool')
s[1]=pd.NaT
s
Out[35]:
0    True
1    True
dtype: bool

3. Nullable类型与NA符号

这是Pandas在1.0新版本中引入的重大改变，其目的就是为了（在若干版本后）解决之前出现的混乱局面，统一缺失值处理方法

"The goal of pd.NA is provide a “missing” indicator that can be used consistently across data types (instead of np.nan, None or pd.NaT depending on the data type)."——User Guide for Pandas v-1.0

官方鼓励用户使用新的数据类型和缺失类型pd.NA

（a）Nullable整形

对于该种类型而言，它与原来标记int上的符号区别在于首字母大写：'Int'

In [36]:
s_original = pd.Series([1, 2], dtype="int64")
s_original
Out[36]:
0    1
1    2
dtype: int64
In [37]:
s_new = pd.Series([1, 2], dtype="Int64")
s_new
Out[37]:
0    1
1    2
dtype: Int64

它的好处就在于，其中前面提到的三种缺失值都会被替换为统一的NA符号，且不改变数据类型

In [38]:
s_original[1] = np.nan
s_original
Out[38]:
0    1.0
1    NaN
dtype: float64
In [39]:
s_new[1] = np.nan
s_new
Out[39]:
0       1
1    <NA>
dtype: Int64
In [40]:
s_new[1] = None
s_new
Out[40]:
0       1
1    <NA>
dtype: Int64
In [41]:
s_new[1] = pd.NaT
s_new
Out[41]:
0       1
1    <NA>
dtype: Int64

（b）Nullable布尔

对于该种类型而言，作用与上面的类似，记号为boolean

In [42]:
s_original = pd.Series([1, 0], dtype="bool")
s_original
Out[42]:
0     True
1    False
dtype: bool
In [43]:
s_new = pd.Series([0, 1], dtype="boolean")
s_new
Out[43]:
0    False
1     True
dtype: boolean
In [44]:
s_original[0] = np.nan
s_original
Out[44]:
0    NaN
1    0.0
dtype: float64
In [45]:
s_original = pd.Series([1, 0], dtype="bool") #此处重新加一句是因为前面赋值改变了bool类型
s_original[0] = None
s_original
Out[45]:
0    False
1    False
dtype: bool
In [46]:
s_new[0] = np.nan
s_new
Out[46]:
0    <NA>
1    True
dtype: boolean
In [47]:
s_new[0] = None
s_new
Out[47]:
0    <NA>
1    True
dtype: boolean
In [48]:
s_new[0] = pd.NaT
s_new
Out[48]:
0    <NA>
1    True
dtype: boolean

需要注意的是，含有pd.NA的布尔列表在1.0.2之前的版本作为索引时会报错，这是一个之前的bug，现已经修复

In [49]:
s = pd.Series(['dog','cat'])
s[s_new]
Out[49]:
1    cat
dtype: object

（c）string类型

该类型是1.0的一大创新，目的之一就是为了区分开原本含糊不清的object类型，这里将简要地提及string，因为它是第7章的主题内容

它本质上也属于Nullable类型，因为并不会因为含有缺失而改变类型

In [50]:
s = pd.Series(['dog','cat'],dtype='string')
s
Out[50]:
0    dog
1    cat
dtype: string
In [51]:
s[0] = np.nan
s
Out[51]:
0    <NA>
1     cat
dtype: string
In [52]:
s[0] = None
s
Out[52]:
0    <NA>
1     cat
dtype: string
In [53]:
s[0] = pd.NaT
s
Out[53]:
0    <NA>
1     cat
dtype: string

此外，和object类型的一点重要区别就在于，在调用字符方法后，string类型返回的是Nullable类型，object则会根据缺失类型和数据类型而改变

In [54]:
s = pd.Series(["a", None, "b"], dtype="string")
s.str.count('a')
Out[54]:
0       1
1    <NA>
2       0
dtype: Int64
In [55]:
s2 = pd.Series(["a", None, "b"], dtype="object")
s2.str.count("a")
Out[55]:
0    1.0
1    NaN
2    0.0
dtype: float64
In [56]:
s.str.isdigit()
Out[56]:
0    False
1     <NA>
2    False
dtype: boolean
In [57]:
s2.str.isdigit()
Out[57]:
0    False
1     None
2    False
dtype: object

4. NA的特性

（a）逻辑运算

只需看该逻辑运算的结果是否依赖pd.NA的取值，如果依赖，则结果还是NA，如果不依赖，则直接计算结果

In [58]:
True | pd.NA
Out[58]:
True
In [59]:
pd.NA | True
Out[59]:
True
In [60]:
False | pd.NA
Out[60]:
<NA>
In [61]:
False & pd.NA
Out[61]:
False
In [62]:
True & pd.NA
Out[62]:
<NA>

取值不明直接报错

In [63]:
#bool(pd.NA)

（b）算术运算和比较运算

这里只需记住除了下面两类情况，其他结果都是NA即可

In [64]:
pd.NA ** 0
Out[64]:
1
In [65]:
1 ** pd.NA
Out[65]:
1

其他情况：

In [66]:
pd.NA + 1
Out[66]:
<NA>
In [67]:
"a" * pd.NA
Out[67]:
<NA>
In [68]:
pd.NA == pd.NA
Out[68]:
<NA>
In [69]:
pd.NA < 2.5
Out[69]:
<NA>
In [70]:
np.log(pd.NA)
Out[70]:
<NA>
In [71]:
np.add(pd.NA, 1)
Out[71]:
<NA>

5. convert_dtypes方法

这个函数的功能往往就是在读取数据时，就把数据列转为Nullable类型，是1.0的新函数

In [72]:
pd.read_csv('data/table_missing.csv').dtypes
Out[72]:
School      object
Class       object
ID         float64
Gender      object
Address     object
Height       int64
Weight     float64
Math       float64
Physics     object
dtype: object
In [73]:
pd.read_csv('data/table_missing.csv').convert_dtypes().dtypes
Out[73]:
School      string
Class       string
ID           Int64
Gender      string
Address     string
Height       Int64
Weight       Int64
Math       float64
Physics     string
dtype: object

二、缺失数据的运算与分组

1. 加号与乘号规则

使用加法时，缺失值为0

In [74]:
s = pd.Series([2,3,np.nan,4])
s.sum()
Out[74]:
9.0

使用乘法时，缺失值为1

In [75]:
s.prod()
Out[75]:
24.0

使用累计函数时，缺失值自动略过

In [76]:
s.cumsum()
Out[76]:
0    2.0
1    5.0
2    NaN
3    9.0
dtype: float64
In [77]:
s.cumprod()
Out[77]:
0     2.0
1     6.0
2     NaN
3    24.0
dtype: float64
In [78]:
s.pct_change()
Out[78]:
0         NaN
1    0.500000
2    0.000000
3    0.333333
dtype: float64

2. groupby方法中的缺失值

自动忽略为缺失值的组

In [79]:
df_g = pd.DataFrame({'one':['A','B','C','D',np.nan],'two':np.random.randn(5)})
df_g
Out[79]:
one two
0 A -1.126645
1 B 0.924595
2 C -2.076309
3 D -0.312150
4 NaN 0.961543
In [80]:
df_g.groupby('one').groups
Out[80]:
{'A': Int64Index([0], dtype='int64'),
 'B': Int64Index([1], dtype='int64'),
 'C': Int64Index([2], dtype='int64'),
 'D': Int64Index([3], dtype='int64')}

三、填充与剔除

1. fillna方法

（a）值填充与前后向填充（分别与ffill方法和bfill方法等价）

In [81]:
df['Physics'].fillna('missing').head()
Out[81]:
0         A+
1         B+
2         B+
3    missing
4         A-
Name: Physics, dtype: object
In [82]:
df['Physics'].fillna(method='ffill').head()
Out[82]:
0    A+
1    B+
2    B+
3    B+
4    A-
Name: Physics, dtype: object
In [83]:
df['Physics'].fillna(method='backfill').head()
Out[83]:
0    A+
1    B+
2    B+
3    A-
4    A-
Name: Physics, dtype: object

（b）填充中的对齐特性

In [84]:
df_f = pd.DataFrame({'A':[1,3,np.nan],'B':[2,4,np.nan],'C':[3,5,np.nan]})
df_f.fillna(df_f.mean())
Out[84]:
A B C
0 1.0 2.0 3.0
1 3.0 4.0 5.0
2 2.0 3.0 4.0

返回的结果中没有C，根据对齐特点不会被填充

In [85]:
df_f.fillna(df_f.mean()[['A','B']])
Out[85]:
A B C
0 1.0 2.0 3.0
1 3.0 4.0 5.0
2 2.0 3.0 NaN

2. dropna方法

（a）axis参数

In [86]:
df_d = pd.DataFrame({'A':[np.nan,np.nan,np.nan],'B':[np.nan,3,2],'C':[3,2,1]})
df_d
Out[86]:
A B C
0 NaN NaN 3
1 NaN 3.0 2
2 NaN 2.0 1
In [87]:
df_d.dropna(axis=0)
Out[87]:
A B C
In [88]:
df_d.dropna(axis=1)
Out[88]:
C
0 3
1 2
2 1

（b）how参数（可以选all或者any，表示全为缺失去除和存在缺失去除）

In [89]:
df_d.dropna(axis=1,how='all')
Out[89]:
B C
0 NaN 3
1 3.0 2
2 2.0 1

（c）subset参数（即在某一组列范围中搜索缺失值）

In [90]:
df_d.dropna(axis=0,subset=['B','C'])
Out[90]:
A B C
1 NaN 3.0 2
2 NaN 2.0 1

四、插值（interpolation）

1. 线性插值

（a）索引无关的线性插值

默认状态下，interpolate会对缺失的值进行线性插值

In [91]:
s = pd.Series([1,10,15,-5,-2,np.nan,np.nan,28])
s
Out[91]:
0     1.0
1    10.0
2    15.0
3    -5.0
4    -2.0
5     NaN
6     NaN
7    28.0
dtype: float64
In [92]:
s.interpolate()
Out[92]:
0     1.0
1    10.0
2    15.0
3    -5.0
4    -2.0
5     8.0
6    18.0
7    28.0
dtype: float64
In [93]:
s.interpolate().plot()
Out[93]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe7df20af50>

此时的插值与索引无关

In [94]:
s.index = np.sort(np.random.randint(50,300,8))
s.interpolate()
#值不变
Out[94]:
69      1.0
71     10.0
84     15.0
117    -5.0
119    -2.0
171     8.0
219    18.0
236    28.0
dtype: float64
In [95]:
s.interpolate().plot()
#后面三个点不是线性的（如果几乎为线性函数，请重新运行上面的一个代码块，这是随机性导致的）
Out[95]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe7dfc69890>

（b）与索引有关的插值

method中的index和time选项可以使插值线性地依赖索引，即插值为索引的线性函数

In [96]:
s.interpolate(method='index').plot()
#可以看到与上面的区别
Out[96]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe7dca0c4d0>

如果索引是时间，那么可以按照时间长短插值，对于时间序列将在第9章详细介绍

In [97]:
s_t = pd.Series([0,np.nan,10]
        ,index=[pd.Timestamp('2012-05-01'),pd.Timestamp('2012-05-07'),pd.Timestamp('2012-06-03')])
s_t
Out[97]:
2012-05-01     0.0
2012-05-07     NaN
2012-06-03    10.0
dtype: float64
In [98]:
s_t.interpolate().plot()
Out[98]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe7dc964850>
In [99]:
s_t.interpolate(method='time').plot()
Out[99]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe7dc8eda10>

2. 高级插值方法

此处的高级指的是与线性插值相比较，例如样条插值、多项式插值、阿基玛插值等（需要安装Scipy），方法详情请看这里

关于这部分仅给出一个官方的例子，因为插值方法是数值分析的内容，而不是Pandas中的基本知识：

In [100]:
ser = pd.Series(np.arange(1, 10.1, .25) ** 2 + np.random.randn(37))
missing = np.array([4, 13, 14, 15, 16, 17, 18, 20, 29])
ser[missing] = np.nan
methods = ['linear', 'quadratic', 'cubic']
df = pd.DataFrame({m: ser.interpolate(method=m) for m in methods})
df.plot()
Out[100]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe7dc86f810>

3. interpolate中的限制参数

（a）limit表示最多插入多少个

In [101]:
s = pd.Series([1,np.nan,np.nan,np.nan,5])
s.interpolate(limit=2)
Out[101]:
0    1.0
1    2.0
2    3.0
3    NaN
4    5.0
dtype: float64

（b）limit_direction表示插值方向，可选forward,backward,both，默认前向

In [102]:
s = pd.Series([np.nan,np.nan,1,np.nan,np.nan,np.nan,5,np.nan,np.nan,])
s.interpolate(limit_direction='backward')
Out[102]:
0    1.0
1    1.0
2    1.0
3    2.0
4    3.0
5    4.0
6    5.0
7    NaN
8    NaN
dtype: float64

（c）limit_area表示插值区域，可选inside,outside，默认None

In [103]:
s = pd.Series([np.nan,np.nan,1,np.nan,np.nan,np.nan,5,np.nan,np.nan,])
s.interpolate(limit_area='inside')
Out[103]:
0    NaN
1    NaN
2    1.0
3    2.0
4    3.0
5    4.0
6    5.0
7    NaN
8    NaN
dtype: float64
In [104]:
s = pd.Series([np.nan,np.nan,1,np.nan,np.nan,np.nan,5,np.nan,np.nan,])
s.interpolate(limit_area='outside')
Out[104]:
0    NaN
1    NaN
2    1.0
3    NaN
4    NaN
5    NaN
6    5.0
7    5.0
8    5.0
dtype: float64

五、问题与练习

1. 问题

【问题一】 如何删除缺失值占比超过25%的列？

【问题二】 什么是Nullable类型？请谈谈为什么要引入这个设计？

【问题三】 对于一份有缺失值的数据，可以采取哪些策略或方法深化对它的了解？

2. 练习

【练习一】现有一份虚拟数据集，列类型分别为string/浮点/整型，请解决如下问题：

（a）请以列类型读入数据，并选出C为缺失值的行。

（b）现需要将A中的部分单元转为缺失值，单元格中的最小转换概率为25%，且概率大小与所在行B列单元的值成正比。

In [105]:
pd.read_csv('data/Missing_data_one.csv').head()
Out[105]:
A B C
0 not_NaN 0.922 4.0
1 not_NaN 0.700 NaN
2 not_NaN 0.503 8.0
3 not_NaN 0.938 4.0
4 not_NaN 0.952 10.0

【练习二】 现有一份缺失的数据集，记录了36个人来自的地区、身高、体重、年龄和工资，请解决如下问题：

（a）统计各列缺失的比例并选出在后三列中至少有两个非缺失值的行。

（b）请结合身高列和地区列中的数据，对体重进行合理插值。

In [106]:
pd.read_csv('data/Missing_data_two.csv').head()
Out[106]:
编号 地区 身高 体重 年龄 工资
0 1 A 157.50 NaN 47.0 15905.0
1 2 B 202.00 91.80 25.0 NaN
2 3 C 169.09 62.18 NaN NaN
3 4 A 166.61 59.95 77.0 5434.0
4 5 B 185.19 NaN 62.0 4242.0
posted @ 2020-07-11 11:37  hichens  阅读(574)  评论(0)  编辑  收藏  举报