pandas（12）：数据清洗（缺失值）
一、缺失值
1 缺失值类型
- 空值：在pandas中的空值是：" "，空的字符串，不是缺失值。
- 缺失值：pandas里，如果是DataFrame（数据帧）中,缺失值可以表示为NaN或者NaT（缺失时间）。可以用 Numpy的np.NaN/np.nan直接定义赋值缺失值。
- NaN 是浮点型
- 针对数值为 0 的情况，需要进行实际的分析，回归到原始数据中去，判断该数据为 0 时是否具有实际意义。如果没有就将其作为缺失值做删除处理。
- 针对数据为空值的情况，如果该特征数据缺失情况低于10%，则结合该特征的重要性进行综合判断。如果字段重要性较低，则考虑直接删除，如果字段重要性较高，则进行插值法或者采用简单填充法。
2 缺失值的认定
- 元素级别缺失判定
# 返回true/false bool型DataFrame 或者 Series
df.notna() / df.notnull() # 不是缺失为True，缺失=False
df.isna() / df.isnull() # 是缺失=True，不是缺失=False
df.col.notna() / df.col.isna() df['col'].notnull() / df['col'].isnull()# 支持Series
- 列/行级别缺失判定
# 返回 bool型Series
df.isnull().any() # 列只要有一个缺失=True
df.isna().any(1) # 行只要有一个缺失=True
df.isnull().any().any() # 表级别判断
3 查看缺失情况
df.info() # 直接查看信息
df.isnull().sum() # 每列有多少个缺失值
df.isna().sum(1) # 每行有多少个缺失值
df.isna().sum().sum() # 总共有几个缺失值
df.count() # 统计列的非NaN个数
df.loc[:,df.isna().any()] # 返回有缺失的列（行全要，列只要为True的）
df.loc[df.isna().any(1)] # 返回有缺失的行
df.loc[~(df.isna().any(1))] # 返回没有缺失的行
4 处理方法（1）——缺失值填充
简单填充df.fillna()
df.fillna(value=None, method=None, axis=None,
inplace=False, limit=None, downcast=None, **kwargs)
功能说明：
Fill NA/NaN values using the specified method。
参数说明：
- value:需要用什么值去填充缺失值，可以是scalar, dict（设置每列用不同值填）, Series, or DataFrame；
- method：设置填充的方式。pad / ffill：向前填充；backfill / bfill：向后填充；
注意：假如设置method方式，就不需要传入value参数了。还要注意轴向axis的方向。
一般轴向axis都为0（竖向填充），横向填充没啥意义。 - axis：{0 or 'index'（竖向填充）, 1 or 'columns'（横向填充）}；
- inplace：是否修改原df，修改（True）时，返回值为None；
- limit：限定填充个数。默认为None，表示填完。
注意：当指定method、axis、limit，此时limit限定方向填充的个数，不一定缺失值填完；
当传入value、limit时，axis参数不起作用，只能按列向下填充limit个缺失值。 - downcast：向下投射数据类型，一般不用设置，Python自动转换。
df.fillna(0) # 传入标量0，用0填充所有缺失值
# 每列向下填充2个缺省值，axis参数不起作用
df.fillna(value=1,axis=0,limit=2)
# df.fillna(value=0,axis=1,limit=2)
# 传入dict，每列分别用不同的值填充
df.fillna(value={'A': 0, 'B': 1, 'C': 2, 'D': 3})
# 用前一个值向前填充缺省值，限制填充个数为1，默认轴向为0（竖向填充）
df.fillna(method='ffill',limit=1)
# 用各自列的均值填充，假如该列可以计算均值的话
df.fillna(df.mean())
# 只对A列且用A列的均值填充缺省值
df.fillna({'A': df.mean()['A']})
插值法填充
Series 和 DataFrame 对象都有interpolate()方法，默认情况下，该函数在缺失值处执行线性插值。这个方法是利用数学方法来估计缺失点的值，对于较大的数据非常有用。
(待查补充)
5 处理方法（2）——直接删除
df.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
功能说明：
删除含有空值的行或列。
参数说明：
- axis:维度，axis=0表示index行,axis=1表示columns列，默认为0；
- how:"all"表示这一行或列中的元素全部缺失（为nan）才删除这一行或列，"any"表示这一行或列中只要有元素缺失，就删除这一行或列，默认为any；
- thresh：axis中至少有thresh个非缺失值，否则删除；
- subset：[col1,...,coln]，根据某n列判断是否有缺失删除行；[row1,...,rown]，根据某n行判断是否有缺失删除列。判断时，只要其中有1列/行有缺失值就删除；
- inplace：是否修改原df，修改（True）时，返回值为None。
df.dropna() # 行只要有一个缺失值，就删除该行
df.dropna(axis=1) # 列只要有一个缺失值，就删除该列（谨慎使用！）
df.dropna(how='all',axis=1) # 列都缺失时，才删除该列
df.dropna(thresh=3) # 行至少有3个非缺失值才不删除
df.dropna(axis=1,subset=[3,4]) # 根据index为3和4的行，判断列是否删除
df.dropna(subset=["col_1","col_3"]) # 根据columns为"col_1"和"col_3"的列，判断行是否删除
df.col.dropna() # 指定列的缺失值删除
