数据处理之前需要对数据进行清理工作,包含:
- 缺失值的去除
drop
- 缺失值的填充
fillna
- 删除重复数据
duplicated()
和drop_duplicates()
- 数据转换
- 索引重命名
- 数据离散化或面元化
缺失值的去除
pandas处理缺失值
- pandas默认的处理对象不包括缺失值
- NaN表示缺失数据;None值也可以作为NA
- isnull()函数查看哪些数据是缺失值
- dropna更实用,返回的是一个仅非空数据和索引值的S
image.png
string_data = pd.Series(['aardvark', 'artichoke', np.nan, 'avocado'])
string_data
0 aardvark
1 artichoke
2 NaN
3 avocado
dtype: object
string_data[0] = None
string_data.isnull()
0 True
1 False
2 True
3 False
dtype: bool
drop的使用
对于S
:返回的是非空数据个索引值的Series
对于DF
:默认丢弃含有任何缺失值的行和列
image.png
处理Series
from numpy import nan as NA
data = pd.Series([1, NA, 3.5, NA, 7])
data.dropna()
data[data.notnull()]
image.png
data = pd.DataFrame([[1., 6.5, 3.], [1., NA, NA],
[NA, NA, NA], [NA, 6.5, 3.]])
cleaned_data = data.dropna()
cleaned_data
image.png
注意:原数据data不变
# 参数how="all":丢弃全部为NA的行
data.dropna(how="all")
image.png
image.png
image.png
df.dropna(thresh=3)
image.png
填充缺失值数据
- 不想滤除空值,想填充空值
fillna(n)
函数:表示将缺失值替换为n
fillna
默认返回新的对象,也可以原地修改,通过inplace=True
image.png
image.png
df.fillna({1: 0.5, 2: 0.25})
image.png
_ = df.fillna(0, inplace=True)
df
image.png
df = pd.DataFrame(np.random.randn(6,3))
df.iloc[2:, 1] = NA
df.iloc[4:, 2] = NA
df
df.fillna(method="ffill")
image.png
df.fillna(method='ffill', limit=3)
data = pd.Series([1., NA, 3.5, NA, 7])
data.fillna(data.mean())
image.png
删除重复数据
- duplicated():检查是否有重复行(前面的行),返回布尔型S数据
- drop_duplicates():返回的是DF,重复的数据标为False
data = pd.DataFrame({'k1': ['one', 'two'] * 3 + ['two'],
'k2': [1, 1, 2, 3, 3, 4, 4],
'k3': [1, 5, 2, 6, 2, 5, 1]})
data
image.png
image.png
image.png