pandas數(shù)據(jù)清洗(缺失值和重復(fù)值的處理)

更新時(shí)間：2022年08月12日 10:40:41 作者：阡之塵埃

這篇文章主要介紹了pandas數(shù)據(jù)清洗(缺失值和重復(fù)值的處理)，pandas對(duì)大數(shù)據(jù)有很多便捷的清洗用法，尤其針對(duì)缺失值和重復(fù)值，詳細(xì)介紹感興趣的小伙伴可以參考下面文章內(nèi)容

前言

pandas對(duì)大數(shù)據(jù)有很多便捷的清洗用法，尤其針對(duì)缺失值和重復(fù)值。缺失值就不用說(shuō)了，會(huì)影響計(jì)算，重復(fù)值有時(shí)候可能并未帶來(lái)新的信息反而增加了計(jì)算量，所以有時(shí)候要進(jìn)行處理。針對(duì)一些文本數(shù)據(jù)可能不合要求的還要進(jìn)行替換什么的。

首先導(dǎo)入包：

import numpy as np 
import pandas as pd

缺失值處理

'''一般使用特殊類型 NaN 代表缺失值，可以用 Numpy 可定義它np.NaN/np.nan。在 Pandas 1.0 以后實(shí)驗(yàn)性地使用一個(gè)標(biāo)量 pd.NA 來(lái)代表。
如果想把正負(fù)無(wú)窮也為認(rèn)是缺失值，可以通過(guò)以下全局配置來(lái)設(shè)定：'''

pandas.options.mode.use_inf_as_na = True
#以下數(shù)據(jù) NaN 為缺失值：
df=(pd.DataFrame(np.random.randn(5, 3),index=['a', 'c', 'e', 'f', 'h'], columns=['one', 'two', 'three'])
.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h']))
df

缺失值的判斷

#可以判斷是否缺失值，DataFrame 和 Series 一般都支持。：

# 不是缺失值
df.one.notna()

df.isna()  # 是缺失值

df[df.one.notna()]# 進(jìn)行篩選

#需要注意的是，Numpy 中 np.nan 和 np.nan 不相等，因此不能用 ==/!= 進(jìn)行對(duì)比：
None == None       # noqa: E711  # True
np.nan == np.nan   # False 
None == np.nan     # False

其他方法：

df.notna()
df['team'].isna()
df['team'].isnull()

缺失值統(tǒng)計(jì)

df.isnull().sum()#計(jì)算每列缺失值個(gè)數(shù)
df.isnull().sum(1)#計(jì)算每行缺失值個(gè)數(shù)
df.isnull().sum().sum()#總共缺失值個(gè)數(shù)

缺失值篩選

df.loc[df.isna().any(1)]#   有缺失值的行
df.loc[:,df.isna().any()] # 有缺失值的列
df.loc[~(df.isna().any(1))]  # 沒有缺失值的行
df.loc[:,~(df.isna().any())] # 沒有缺失值的列

缺失值類型

#時(shí)間中的缺失值
#對(duì)于時(shí)間中的缺失值，Pandas 提供了一個(gè) NaT 來(lái)表示，并且 NaT 和 NaN 之間是兼容的：
df['timestamp'] = pd.Timestamp('20120101')
df.loc[['a', 'c', 'h'], ['one', 'timestamp']] = np.nan
df.timestamp

#整型中的缺失值，由于 NaN 是浮點(diǎn)型，因此一列甚至缺少一個(gè)整數(shù)的整數(shù)列都將轉(zhuǎn)換為浮點(diǎn)。

pd.Series([1, 2, np.nan, 4], dtype=pd.Int64Dtype())

插入缺失值

 #可以使用 None 等方法將內(nèi)容修改為缺失值：
s.loc[0] = None
s.loc[1] = np.nan
df.two = pd.NA

缺失值填充

首先生成案例數(shù)據(jù)：

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

fillna(x) 可以將缺失值填充指定的值。以下為幾種常見的填充方法：

df.fillna(0)# 填充為 0
# 填充為指定字符
df.fillna('missing')
df.fillna('暫無(wú)')
df.fillna('待補(bǔ)充')
 
df.one.fillna('暫無(wú)')   # 指定字段填充
df.one.fillna(0, inplace=Ture)    # 使填充內(nèi)容生效
df.fillna(0, limit=1)   # 只替換第一個(gè)
values = {'A': 0, 'B': 1, 'C': 2, 'D': 3}  # 不同列替換不同的值
df.fillna(value=values)

不指定值，使用一定的方法。

#使用 method{‘backfill', ‘bfill', ‘pad', ‘ffill', None}, default None
df.fillna(method='backfill')# 使用上一個(gè)有效值填充
df.fillna(method='bfill')# 同 backfill
df.fillna(method='pad')# 把當(dāng)前值廣播到后邊的缺失值
df.fillna(method='ffill')# 同 pad
#fillna(method='ffill') 可以簡(jiǎn)寫為 ffill() ， fillna(method='bfill') 可以簡(jiǎn)寫為 bfill()

使用計(jì)算值填充：

# 填充列的平均值
df.fillna(df.mean())
# 對(duì)指定列填充平均值
df.fillna(df.mean()['B':'C'])
# 填充列的平均值，另外一個(gè)方法
df.where(pd.notna(df), df.mean(), axis='columns')
 
#特別的計(jì)算：
# 第一個(gè)非空值
df.fillna(method='bfill').head(1).iloc[0]
# 第一個(gè)非空值索引
df.notna().idxmax()
df.apply(pd.Series.first_valid_index)

插值填充

插值方式，以下是一個(gè)非常簡(jiǎn)單的示例，其中一個(gè)值是缺失的，我們對(duì)它進(jìn)行差值：

s = pd.Series([0, 1,4,9, np.nan, 25])
s.interpolate()

9和25之間的中間點(diǎn)為17，就把缺失值補(bǔ)為了17，這是線性插值。

s.interpolate(method='spline',order=2)

這是二級(jí)多項(xiàng)式插值。用X^2這個(gè)函數(shù)去插值的，

interpolate() 的具體參數(shù)

'''默認(rèn)linear 方法，會(huì)認(rèn)為是一條直線。

計(jì)算方法：

默認(rèn) method=‘linear’ 如果你的數(shù)據(jù)增長(zhǎng)速率越來(lái)越快，可以選擇 method='quadratic' 二次插值。如果數(shù)據(jù)集呈現(xiàn)出累計(jì)分布的樣子，
推薦選擇 method='pchip'。如果需要填補(bǔ)缺省值，以平滑繪圖為目標(biāo)，推薦選擇 method='akima'。method='akima' 和 method = ‘pchip’，
需要你的環(huán)境中安裝了 Scipy 庫(kù)。除此之外，method='barycentric' 和 method='pchip' 同樣也需要 Scipy 才能使用。

使用插值方法，可為：

linear：線性，忽略索引，并將值等距地對(duì)待，這是MultiIndexes支持的唯一方法
time：時(shí)間，以插值給定的時(shí)間間隔長(zhǎng)度處理每日或更高粒度的數(shù)據(jù)
index, values：索引，值，使用索引的實(shí)際數(shù)值
pad：使用現(xiàn)有值填寫NaN。
‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’：
傳遞給 scipy.interpolate.interp1d，這些方法使用索引的數(shù)值。 ‘polynomial’ 和 ‘spline’ 都要求您還指定一個(gè)順序(int)，
例如 df.interpolate(method='polynomial'，order=5)
- nearest：最近
- zero：零
- slinear：線性
- quadratic：二次方
- cubic：立方
- spline：花鍵，樣條插值
- barycentric：重心插值
- polynomial：多項(xiàng)式
- ‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’: SciPy 類似名稱的插值方法。
- krogh: 克羅格插值
- piecewise_polynomial: 分段多項(xiàng)式
- spline: 樣條插值
- pchip: 立方插值 (累計(jì)分布)
- akima: 阿克瑪插值（平滑繪圖）
from_derivatives：指 scipy.interpolate.BPoly.from_derivatives，它替換了 scipy 0.18 中的 piecewise_polynomial 插值方法。

其他參數(shù)：

axis: 插值應(yīng)用的軸方向，可選擇 {0 or ‘index’, 1 or ‘columns’, None}, 默認(rèn)為 None
limitint: 要填充的連續(xù) NaN 的最大數(shù)量，必須大于 0。
inplace: 是否將最終結(jié)果替換原數(shù)據(jù)，默認(rèn)為 False
limit_direction: 限制方向，可傳入 {‘forward’, ‘backward’, ‘both’}, 默認(rèn) ‘forward’，如果指定了限制，則將沿該方向填充連續(xù)的 NaN
limit_area: 限制區(qū)域，可傳入 {None, ‘inside’, ‘outside’}, 默認(rèn) None，如果指定了限制，則連續(xù)的NaN將被此限制填充
None: 沒有填充限制
‘inside’: 僅填充有效值包圍的NaN（內(nèi)插）
‘outside’: 僅將NaN填充到有效值之外（外推）
downcast: 可傳入‘infer’ 或者 None, 默認(rèn)是 None，如果可以向下轉(zhuǎn)換 dtypes
**kwargs: 傳遞給插值函數(shù)的關(guān)鍵字參數(shù) '''

缺失值刪除

生成案例數(shù)據(jù)：

#一般刪除會(huì)針對(duì)行進(jìn)行，如一行中有缺失值就會(huì)刪除，當(dāng)然也會(huì)有針對(duì)列的。
df = pd.DataFrame({"name": ['Alfred', 'Batman', 'Catwoman'],
                   "toy": [np.nan, 'Batmobile', 'Bullwhip'],
                   "born": [pd.NaT, pd.Timestamp("1940-04-25"),
                            pd.NaT]})
df

缺失值刪除 dropna

# 刪除所有有缺失值的行(有一個(gè)缺失就刪除)
df.dropna()
# 刪除所有有缺失值的列
df.dropna(axis='columns')
df.dropna(axis=1)
# 刪除所有值都缺失的行
df.dropna(how='all')
# 不足2個(gè)非空值時(shí)刪除
df.dropna(thresh=2)
# 指定判斷缺失值的列范圍
df.dropna(subset=['name', 'born'])
# 使刪除和的結(jié)果生效
df.dropna(inplace=True)
# 指定列的缺失值刪除
df.toy.dropna()

重復(fù)值處理

重復(fù)值的尋找主要使用duplicated，語(yǔ)法為：

df.duplicated(subset=None, keep='first')

'''可以返回表示重復(fù)行的布爾系列，可以指定列。keep參數(shù)確定要標(biāo)記的重復(fù)項(xiàng)（如果有），選項(xiàng)有：

first：將除第一次出現(xiàn)的重復(fù)值標(biāo)記為True，默認(rèn)。
last：將除最后一次出現(xiàn)的重復(fù)值標(biāo)記為True。
False：將所有重復(fù)值標(biāo)記為True。'''

生成案例數(shù)據(jù)：

df = pd.DataFrame({'brand': ['Yum Yum', 'Yum Yum', 'Indomie', 'Indomie', 'Indomie'],
                   'style': ['cup', 'cup', 'cup', 'pack', 'pack'],
                   'rating': [4, 4, 3.5, 15, 5] })
df

重復(fù)值查找

#默認(rèn)情況下，對(duì)于每組重復(fù)的值，第一次出現(xiàn)都設(shè)置為False，所有其他值設(shè)置為True。

df.duplicated()

通過(guò)使用“ last”，將每組重復(fù)值的最后一次出現(xiàn)設(shè)置為False，將所有其他重復(fù)值設(shè)置為True。

df.duplicated(keep='last')

#通過(guò)將keep設(shè)置為False，所有重復(fù)項(xiàng)都為True。

df.duplicated(keep='last')

要在特定列上查找重復(fù)項(xiàng)，請(qǐng)使用子集。

df.duplicated(keep=False)

刪除重復(fù)值

'''刪除重復(fù)值的語(yǔ)法為：

df.drop_duplicates(subset=None,
? ? ? ? ? ? ? ? ? ?keep='first',
? ? ? ? ? ? ? ? ? ?inplace=False,
? ? ? ? ? ? ? ? ? ?ignore_index=False)

subset指定的標(biāo)簽或標(biāo)簽序列可選，僅刪除某些列重復(fù)項(xiàng)，默認(rèn)情況為使用所有列，其他有：

keep：確定要保留的重復(fù)項(xiàng)（如果有）
first : 保留第一次出現(xiàn)的重復(fù)項(xiàng)，默認(rèn)
last : 保留最后一次出現(xiàn)的重復(fù)項(xiàng)。
False : 刪除所有重復(fù)項(xiàng)
inplac：False，是將副本放置在適當(dāng)位置還是返回副本
ignore_inde：如果為True, 則重新分配自然索引（0, 1, …, n - 1）'''

df.drop_duplicates()

#默認(rèn)情況下，它將基于所有列刪除重復(fù)的行。

df.drop_duplicates(subset=['brand'])

#要?jiǎng)h除特定列上的重復(fù)項(xiàng)，使用子集

df.drop_duplicates(subset=['brand', 'style'], keep='last')

#刪除重復(fù)項(xiàng)并保留最后一次出現(xiàn)，請(qǐng)使用keep。

drop刪除數(shù)據(jù)

語(yǔ)法

df.drop(labels=None,axis=0,index=None,columns=None,level=None,inplace=False,errors='raise')

labels表示要?jiǎng)h除的行或者列，多個(gè)可以傳入列表：

axis：表示軸方向，默認(rèn)0（行）
index：指定一行或多行
columns：指定列
level：指定多層索引
inplace：立即修改

df.drop([2,4])#刪除指定行

df.drop(['brand','rating'],axis=1)#刪除指定列
df.drop(columns=['brand','rating'])#同上

數(shù)據(jù)替換replace

有時(shí)候想把數(shù)據(jù)替換為指定的值，空值缺失值都可以替換

#指定值替換，以下是在 Series 中將 0 替換為 5：
ser = pd.Series([0., 1., 2., 3., 4.])
ser.replace(0, 5)
 
#也可以批量替換：
# 一一對(duì)應(yīng)進(jìn)行替換
ser.replace([0, 1, 2, 3, 4], [4, 3, 2, 1, 0])
# 用字典映射對(duì)應(yīng)替換值
ser.replace({0: 10, 1: 100})
# 將 a 列的 0 b 列中的 5 替換為 100
df.replace({'a': 0, 'b': 5}, 100)
#  指定列里的替換規(guī)劃
df.replace({'a': {0: 100, 4: 400}})

除了給定指定值進(jìn)行替換，我們還可以指定一些替換的方法：

# 將 1，2，3 替換為它們前一個(gè)值（0）
ser.replace([1, 2, 3], method='pad') # ffill 是它同義詞
# 將 1，2，3 替換為它們后一個(gè)值（4）
ser.replace([1, 2, 3], method='bfill')

字符替換

#如果遇到字符比較復(fù)雜的內(nèi)容，就是使用正則（默認(rèn)沒有開啟）進(jìn)行匹配：
 
# 把 bat 替換為 new
df.replace(to_replace='bat', value='new')
# 利用正則將 ba 開頭的替換為 new
df.replace(to_replace=r'^ba.$', value='new', regex=True)
# 如果多列規(guī)則不一的情況下可以按以下格式對(duì)應(yīng)傳入
df.replace({'A': r'^ba.$'}, {'A': 'new'}, regex=True)
# 多個(gè)規(guī)則替換為同一個(gè)值
df.replace(regex=[r'^ba.$', 'foo'], value='new')
# 直接多個(gè)正則及對(duì)應(yīng)的替換內(nèi)容
df.replace(regex={r'^ba.$': 'new', 'foo': 'xyz'})

缺失值替換

替換可以處理缺失值相關(guān)的問題，如我們可以將無(wú)效的值先替換為 nan，再做缺失值處理：
生成案例數(shù)據(jù)‘

d = {'a': list(range(4)),
     'b': list('ab..'),
     'c': ['a', 'b', np.nan, 'd']}
df = pd.DataFrame(d)
df

一些用法:

# 將.替換為 nan，（也可以替換為 None）
df.replace('.', np.nan)
# 使用正則，將空格和點(diǎn)等替換為 nan
df.replace(r'\s*\.\s*', np.nan, regex=True)
# 對(duì)應(yīng)替換，a 換 b, 點(diǎn)換 nan
df.replace(['a', '.'], ['b', np.nan])
# 點(diǎn)換 dot, a 換 astuff  (第一位+)
df.replace([r'\.', r'(a)'], ['dot', r'\1stuff'], regex=True)
 
# b 中的點(diǎn)要替換，替換為 b 替換規(guī)則為 nan，可以多列
df.replace({'b': '.'}, {'b': np.nan})
# 使用正則
df.replace({'b': r'\s*\.\s*'}, {'b': np.nan}, regex=True)
# b列的 b 值換為空
df.replace({'b': {'b': r''}}, regex=True)
# b 列的點(diǎn)空格等換 nan
df.replace(regex={'b': {r'\s*\.\s*': np.nan}})
# b列點(diǎn)等+ty
df.replace({'b': r'\s*(\.)\s*'},
           {'b': r'\1ty'},regex=True)
# 多個(gè)正則規(guī)則(a,b,. 都換為缺失)
df.replace([r'\s*\.\s*', r'a|b'], np.nan, regex=True)
# 用參數(shù)名傳參
df.replace(regex=[r'\s*\.\s*', r'a|b'], value=np.nan)

數(shù)字替換

生成數(shù)據(jù):

df = pd.DataFrame(np.random.randn(5, 2))
df[np.random.rand(df.shape[0]) > 0.5] = 1.5
df

# 將 1.5 替換為 nan
df.replace(1.5, np.nan)
# 將1.5換為 nan, 同時(shí)于左上角的值換為 a
df.replace([1.5, df.iloc[0, 0]], [np.nan, 'a'])
# 使替換生效
df.replace(1.5, np.nan, inplace=True)

數(shù)據(jù)裁剪df.clip()

#對(duì)一些極端值，如過(guò)大或者過(guò)小，可以使用 df.clip(lower, upper) 來(lái)修剪，當(dāng)數(shù)據(jù)大于 upper 時(shí)，使用 upper 的值，
#小于 lower 時(shí)用 lower 的值，就像 numpy.clip 方法一樣。

df = pd.DataFrame({'a': [-1, 2, 5], 'b': [6, 1, -3]})
df

修剪成最大為3最小為0

df.clip(0,3)

用來(lái)處理數(shù)據(jù)里面的異常值什么的還是很方便的。

到此這篇關(guān)于pandas數(shù)據(jù)清洗(缺失值和重復(fù)值的處理)的文章就介紹到這了,更多相關(guān)pandas數(shù)據(jù)清洗內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片