關(guān)于Pandas缺失值inf與nan的處理實踐

更新時間：2023年06月21日 15:23:26 作者：肖永威

這篇文章主要介紹了關(guān)于Pandas缺失值inf與nan的處理實踐，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

1. Pandas缺失值

對于表格數(shù)據(jù)而言，缺失值分為三種：

一是Pandas中的空值（NaN）
二是Pandas中的正負無窮（inf），嚴格意義上也不算缺失值，表示無窮！
三是自定義的缺失值。

1.1. Pandas中的空值

Pandas中的空值有三個：np.nan (Not a Number) 、 None 和 pd.NaT(時間格式的空值，注意大小寫不能錯)，這三個值可以用Pandas中的函數(shù)isnull()，notnull()，isna()進行判斷。

isnull()和notnull()的結(jié)果互為取反，isnull()和isna()的結(jié)果一樣。

需要特別注意三點：

1.如果某一列數(shù)據(jù)全是空值且包含pd.NaT，np.nan和None會自動轉(zhuǎn)換成pd.NaT。

2.空值(np.nan、None、pd.NaT)既不是空字符串"“，也不是空格” "。

3.None是一個 Python 對象

不可以用在任意的 NumPy 或 Pandas 數(shù)組里，只用于列表且數(shù)據(jù)類型是 Object。
默認 Pandas 會將 None 轉(zhuǎn)換成 NAN
對包含 None 元素的數(shù)組進行計算(如： sum, min, max)會拋出 TypeError 異常。

import pandas as pd
import numpy as np
df = pd.DataFrame({'float': [1.3,5.2,np.nan],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,pd.NaT],
                   'string': ['python','pandas','numpy']})

例如通過df.isnull()查看缺失情況。

1.2. Pandas中的正負無窮

對于特別大的數(shù)字，或者除數(shù)為0時，將產(chǎn)生正負無窮，Pandas中用np.inf表示。

import pandas as pd
import numpy as np
df = pd.DataFrame({'float': [1.3,5.2,np.nan],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,pd.NaT],
                   'string': ['python','pandas','numpy']})
df['inf'] = df['float']/0

1.3. 自定義缺失值

自定義缺失值有很多不同的形式，如上面剛說的空字符串和空格(當然，一般不用這兩個，因為看起來不夠直觀)。

在獲取數(shù)據(jù)時，可能會有一些數(shù)據(jù)無法得到，也可能數(shù)據(jù)本身就沒有，造成了缺失值。

對于這些缺失值，在獲取數(shù)據(jù)時通常會用一些符號之類的數(shù)據(jù)來代替，如問號？，斜杠/，字母NA等。

2. 處理缺失數(shù)據(jù)

2.1. 用數(shù)組過濾

用 df.isin([np.nan, np.inf, -np.inf]) 方法
用 df.any() 方法只要包含任意一個缺失的值，any()一個序列中滿足一個True，則返回True
最后，用布爾數(shù)組來進行切分。

import pandas as pd
import numpy as np
df = pd.DataFrame({'float': [1.3,5.2,np.nan],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),
                            pd.Timestamp('2019-05-10'),pd.NaT],
                   'string': ['python','pandas','numpy']})
df[~df.isin([np.nan, np.inf, -np.inf]).any(axis=1)]

2.2. 替換 inf 和 -inf 成 NaN, 然后選擇非空的行數(shù)據(jù)

用df.replace([np.inf, -np.inf], np.nan)，把正負無窮為空值np.nan
再用df.notnull()，篩選非空數(shù)據(jù)
再用df.all()，all()一個序列中所有值為True時，返回True，否則為False。

import pandas as pd
import numpy as np
df = pd.DataFrame({'float': [1.3,5.2,np.inf],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,
                                pd.Timestamp('2019-05-10')],
                   'string': ['python','pandas','numpy']})
df
df['inf'] = df['float']/0
df
df['inf'].replace(np.inf, 0, inplace=True)
df
df[df.replace([np.inf, -np.inf], np.nan).notnull().all(axis=1)]
#df[df.notnull().all(axis=1)]

2.3. 替換 inf 和 -inf 成 NaN，再用dropna() 方法刪除為空的數(shù)據(jù)

pandas中的dataframe對象，刪除缺失值的方式：

df.dropna(how=‘all’) #刪除所有內(nèi)容均為缺失值的行
df.dropna(axis=1) #丟棄有缺失值的列
df.dropna(axis=1, how = ‘all’) #丟棄所有列中所有值均缺失的列

import pandas as pd
import numpy as np
df = pd.DataFrame({'float': [1.3,5.2,np.inf],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,
                                pd.Timestamp('2019-05-10')],
                   'string': ['python','pandas','numpy']})
df['inf'] = df['float']/0
df
df.dropna(axis=1).head(3)
df.replace([np.inf, -np.inf], np.nan).dropna(axis=1).head(3)

或者：

將某1列（series格式）中的 inf 替換為數(shù)值

import numpy as np
df['Col'][np.isinf(df['Col'])] = -1

將某1列（series格式）中的 inf 替換為NA值

import numpy as np
df['Col'][np.isinf(df['Col'])] = np.nan

2.4. 用df.fillna(value=values) 將缺失的數(shù)據(jù)進行填充

填充缺失值：

fillna(method=‘ffill'/‘bfill', # ffill向前填充；bfill向后填充。
axis=0/1 # 按行/列進行填充
)

例如：

data.fillna(0, inplace=True) # 填充0
data.fillna(method=‘ffill') # 按列，向前進行填充
data.fillna(method=‘bfill',axis=1) # 按照行，向后進行填充
data.fillna(data.mean()) # 填充平均值

import pandas as pd
import numpy as np
df = pd.DataFrame({'A':[1,np.nan],
                   'B':[21,3],
                   'C':[4,5]})
#制造inf
df['D'] = df['C']/0
print(df)
#替換正inf為NaN
df.replace(np.inf, np.nan, inplace=True)
df['E'] = -df['B']/0
print(df)
#替換正、負inf為0
df.replace([np.inf, -np.inf], 0, inplace=True)
#單列替換NaN為10
df['A'].fillna(10, inplace=True)
#替換NaN為0
df.replace(np.nan, 0, inplace=True)
print(df)