4.11 数据预处理-1

#引入相关模块
import numpy as np   # pandas和numpy常常结合在一起使用，导入numpy库
import pandas as pd  # 导入pandas库

print(pd.__version__) # 打印pandas版本信息

1.4.1

4.11.1 缺失值处理

关于缺失值

• 在能够使用大型数据集训练学习算法之前，通常需要先清理数据, 需要通过某个方法检测并更正数据中的错误。
• 任何给定数据集可能会出现各种糟糕的数据，例如离群值或不正确的值，缺少值等。

Pandas 会为缺少的值分配 NaN 值。

缺失值检测

• dropna 根据标签的值中是否存在缺失数据对轴标签进行过滤（删除），可通过阈值调节对缺失值的容忍度
• fillna 用指定值或插值方法（如ffill或bfill）填充缺失数据
• isnull 返回一个含有布尔值的对象，这些布尔值表示哪些值是缺失值NA
• notnull Isnull的否定式

dropna函数定义：

DataFrame.dropna( axis=0, how=‘any’, thresh=None, subset=None, inplace=False)

axis参数确定是否删除包含缺失值的行或列：

• axis=0或axis='index’删除含有缺失值的行，
• axis=1或axis='columns’删除含有缺失值的列，

how参数当我们至少有一个NA时，确定是否从DataFrame中删除行或列，how='all’或者how=‘any’：

• how='all’时表示删除全是缺失值的行（列）
• how='any’时表示删除只要含有缺失值的行（列）

• thresh=n 表示保留至少含有n个非na数值的行
• subset定义要在哪些列中查找缺失值

In [2]:

df = pd.DataFrame([[ '张三',np.nan,3000, 'M'],
                   [ '李四',28,np.nan,np.NaN] , 
                   [ '王五 ',25, np.NaN,'W'],
                   [ '赵六',20,4000,'M'],
                   [ np.NaN,np.NaN,np.NaN,np.NaN]
                  ],columns=[ '姓名', '年龄', '工资', '性别'])
df

Out[2]:

	姓名	年龄	工资	性别
0	张三	NaN	3000.0	M
1	李四	28.0	NaN	NaN
2	王五	25.0	NaN	W
3	赵六	20.0	4000.0	M
4	NaN	NaN	NaN	NaN

• .isnull() 方法返回一个大小和 df 一样的布尔型 DataFrame，并用 True 表示具有 NaN 值的元素，用 False 表示非 NaN 值的元素。

In [3]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5 entries, 0 to 4
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   姓名      4 non-null      object 
 1   年龄      3 non-null      float64
 2   工资      2 non-null      float64
 3   性别      3 non-null      object 
dtypes: float64(2), object(2)
memory usage: 288.0+ bytes

In [4]:

df.isnull()#返回一个含有布尔值的对象，这些布尔值表示哪些值是缺失值NA

Out[4]:

	姓名	年龄	工资	性别