(10)Python数据清理

让我们考虑一个产品的在线调查。 很多时候，人们不会分享与他们有关的所有信息。 很少有人分享他们的经验，但他们没有多久使用该产品; 很少有人分享他们使用产品的时间，他们的经验，但不是他们的联系信息。 因此，以某种方式或其他方式，一部分数据总是会丢失，这在实时中非常普遍。

现在来看看如何处理使用Pandas的缺失值(如NA或NaN)。

# import the pandas library
import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])

df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

print (df)
Python

它将输出如下结果 –

         one        two      three
a   0.077988   0.476149   0.965836
b        NaN        NaN        NaN
c  -0.390208  -0.551605  -2.301950
d        NaN        NaN        NaN
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
g        NaN        NaN        NaN
h   0.085100   0.532791   0.887415
Shell

使用reindexing，创建了一个缺失值的DataFrame。 在输出中，NaN表示不是数字。

检查缺失值

为了更容易地检测缺失值(以及跨越不同的数组dtype)，Pandas提供了isnull()和notnull()函数，它们也是Series和DataFrame对象的方法 –

示例

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])

df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

print (df['one'].isnull())
Shell

它将输出如下结果 –

a  False
b  True
c  False
d  True
e  False
f  False
g  True
h  False
Name: one, dtype: bool
Shell

Pandas提供了各种方法来清除缺失值。 fillna函数可以通过几种方式用非空数据“填充”NA值，我们在后面的章节中将解释说明。

以下程序显示了如何将“NaN”替换为“0”。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(3, 3), index=['a', 'c', 'e'],columns=['one',
'two', 'three'])
df = df.reindex(['a', 'b', 'c'])
print (df)
print ("NaN replaced with '0':")
print (df.fillna(0))
Python

它将输出如下结果 –

         one        two     three
a  -0.576991  -0.741695  0.553172
b        NaN        NaN       NaN
c   0.744328  -1.735166  1.749580

NaN replaced with '0':
         one        two     three
a  -0.576991  -0.741695  0.553172
b   0.000000   0.000000  0.000000
c   0.744328  -1.735166  1.749580
Shell

在这里，填充零值; 相反，我们也可以填写任何其他值。

使用ReIndexing章节讨论的填充概念，这里将学习如何填补缺失的值。

示例代码

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

print (df.fillna(method='pad'))
Python

执行上面示例代码，得到以下输出结果 –

         one        two      three
a   0.077988   0.476149   0.965836
b   0.077988   0.476149   0.965836
c  -0.390208  -0.551605  -2.301950
d  -0.390208  -0.551605  -2.301950
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
g  -0.930230  -0.670473   1.146615
h   0.085100   0.532791   0.887415
Shell

如果只想排除缺少的值，则使用dropna函数和axis参数。 默认情况下，axis = 0，即沿着一行行查找，这意味着如果行内的任何值是NA，那么排除整行。

示例

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])

df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print (df.dropna())
Python

它将输出如下结果 –

         one        two      three
a   0.077988   0.476149   0.965836
c  -0.390208  -0.551605  -2.301950
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
h   0.085100   0.532791   0.887415
Shell

很多时候，我们必须用一些特定的值替换一个通用值。 可以通过应用替换方法来实现这一点。

用标量值替换NA是fillna()函数的等效行为。

示例代码

import pandas as pd
import numpy as np
df = pd.DataFrame({'one':[10,20,30,40,50,2000],
'two':[1000,0,30,40,50,60]})
print (df.replace({1000:10,2000:60}))
Python

执行上面示例代码，得到以下结果 –

   one  two
0   10   10
1   20    0
2   30   30
3   40   40
4   50   50
5   60   60
Shell