为什么要进行Pandas数据预处理？代码操作示例

前期采集到的数据，或多或少都存在一些瑕疵和不足，比如数据缺失、极端值、数据格式不统一等问题。因此，在分析数据之前需要对数据进行预处理，包括数据的清洗、合并、重塑与转换。Pandas中专门提供了用于数据预处理的很多函数与方法，用于替换异常数据、合并数据、重塑数据等。

数据清洗是一项复杂且繁琐的工作，同时也是整个数据分析过程中最为重要的环节。数据清洗的目的在于提高数据质量，将脏数据（脏数据在这里指的是对数据分析没有实际意义、格式非法、不在指定范围内的数据）清洗干净，使原数据具有完整性、唯一性、权威性、合法性、一致性等特点。Pandas中常见的数据清洗操作有空值和缺失值的处理、重复值的处理、异常值的处理、统一数据格式等等。

空值一般表示数据未知、不适用或将在以后添加数据。缺失值是指数据集中某个或某些属性的值是不完整的，产生的原因主要有人为原因和机械原因两种，其中机械原因是由于机器故障造成数据未能收集或存储失败，人为原因是由主观失误或有意隐瞒造成的数据缺失。

一般空值使用None表示，缺失值使用NaN表示。Pandas中提供了一些用于检查或处理空值和缺失值的函数，其中，使用isnull()和notnull()函数可以判断数据集中是否存在空值和缺失值，对于缺失数据可以使用dropna()和fillna()方法对缺失值进行删除和填充，下面来一一介绍。

1. isnull()函数

isnull()函数的语法格式如下：

pandas.isnull(obj)

上述函数中只有一个参数obj，表示检查空值的对象，该函数会返回一个布尔类型的值，如果返回的结果为True，则说明有空值或缺失值，否则为False。（NaN或None映射到True值，其它内容映射到False）

接下来，通过一段示例来演示如何通过isnull()函数来检查缺失值或空值，具体代码如下：

In [1]: from pandas import DataFrame, Series
        import pandas as pd
        from numpy import NaN
        series_obj = Series([1, None, NaN])
        pd.isnull(series_obj)    # 检查是否为空值或缺失值
Out[1]:
        0   False
        1   True
        2   True
        dtype：bool

上述示例中，首先创建了一个Series对象，该对象中包含1、None和NaN三个值，然后调用isnull()函数检查Series对象中的数据，数据为空值或缺失值就映射为True，其余值就映射为False。从输出结果看出，第一个数据是正常的，后两个数据是空值或缺失值。

2. notnull()函数

notnull()函数与isnull()函数的功能是一样的，都是判断数据中是否存在空值或缺失值，不同之处在于，前者发现数据中有空值或缺失值时返回False，后者返回的是True。

将上述调用isnull()函数的代码改为调用notnull()函数，改后的代码如下：

In [2]: from pandas import DataFrame, Series
        import pandas as pd
        from numpy import NaN
        series_obj = Series([1, None, NaN])
        pd.notnull(series_obj)    # 检查是否不为空值或缺失值

Out[2]:
        0   True
        1  False
        2  False
        dtype: bool

上述示例中，通过notnull()函数来检查空值或缺失值，只要出现空值或缺失值就映射为False，其余则映射为True。从输出结果看出，索引0对应的数据为True，说明没有出现空值或缺失值，索引1和2对应的数据为False，说明出现了空值或缺失值。

3. dropna()方法

dropna()方法的作用是删除含有空值或缺失值的行或列，其语法格式如下：

dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

上述方法中部分参数表示的含义如下：

(1) axis：确定过滤行或列，取值可以为：

0或index：删除包含缺失值的行，默认为0。

1或columns：删除包含缺失值的列。

(2) how：确定过滤的标准，取值可以为：

any：默认值。如果存在NaN值，则删除该行或该列。

all：如果所有值都是NaN值，则删除该行或该列。

(3) thresh：c表示有效数据量的最小要求。若传入了2，则是要求该行或该列至少有两个非NaN值时将其保留。

(4) subset：表示在特定的子集中寻找NaN值。

(5) inplace：表示是否在原数据上操作。如果设为True，则表示直接修改原数据；如果设为False，则表示修改原数据的副本，返回新的数据。

假设，现在有一张关于书籍信息的表格，它里面有类别、书名和作者三列数据。其中，在索引为0的一行中书名为NaN，表明该位置的数据是缺失值，索引为1的一行中作者为None，表明该位置的数据是空值。如果删除这些空值和缺失值，那么删除前后的效果如图1所示。

图1 删除空值/缺失值前后的表格

接下来，通过一个示例来演示如何使用dropna()方法删除空值和缺失值，具体代码如下。

In [3]: import pandas as pd
        import numpy as np
        df_obj = pd.DataFrame({"类别":['小说', '散文随笔', '青春文学', '传记'],
                               "书名":[np.nan, '《皮囊》', '《旅程结束时》', '《老舍自传》'],
                               "作者":["老舍", None, "张其鑫", "老舍"]})
        df_obj

Out[3]:      类别       书名         作者
        0    小说       NaN          老舍
        1  散文随笔     《皮囊》       None
        2  青春文学     《旅程结束时》  张其鑫
        3    传记      《老舍自传》    老舍
In [4]: df_obj.dropna()   # 删除数据集中的空值和缺失值
Out[4]:
            类别       书名    作者
        2  青春文学  《旅程结束时》  张其鑫
        3    传记   《老舍自传》   老舍

上述代码中，首先创建一个含有空值和缺失值的DataFrame对象，再让该对象调用dropna()方法将数据中的空值或缺失值进行过滤删除，只保留完整的数据。

从输出结果看出，所有包含空值或缺失值的行已经被删除了。

4. 填充空值/缺失值

填充缺失值和空值的方式有很多种，比如人工填写、特殊值填写、热卡填充等。Pandas中的fillna()方法可以实现填充空值或缺失值，其语法格式如下：

fillna(value=None, method=None, axis=None, inplace=False,limit=None, downcast=None, 
       **kwargs)

上述方法中部分参数表示的含义如下：

(1) value：用于填充的数值。

(2) method：表示填充方式，默认值为None，另外还支持以下取值：

pad/ffill：将最后一个有效的数据向后传播，也就是说用缺失值前面的一个值代替缺失值。

backfill/bfill：将最后一个有效的数据向前传播，也就是说用缺失值后面的一个值代替缺失值。

(3) limit： 可以连续填充的最大数量，默认None。

注意：

method参数不能与value参数同时使用。

当使用fillna()方法进行填充时，既可以是标量、字典，也可以是Series或DataFrame对象。

假设现在有一张表格，它里面存在一些缺失值，如果使用一个常量66.0来替换缺失值，那么填充前后的效果如图2所示。

图2 填充缺失值示例

填充常数替换缺失值的示例代码如下。

In [5]: import pandas as pd
        import numpy as np
        from numpy import NaN
        df_obj = pd.DataFrame({'A': [1, 2, 3, NaN],
                               'B': [NaN, 4, NaN, 6],
                               'C': ['a', 7, 8, 9],
                               'D':[ NaN, 2, 3, NaN]})
        df_obj
Out[5]:
   A   B C  D
0 1.0 NaN a NaN
1 2.0 4.0 7 2.0
2 3.0 NaN 8 3.0
3 NaN 6.0 9 NaN
In [6]: df_obj.fillna('66.0')  # 使用66.0替换缺失值
Out[6]:
   A   B  C   D
0  1.0 66.0 a 66.0
1  2.0  4.0 7  2.0
2  3.0 66.0 8  3.0
3 66.0  6.0 9 66.0

通过比较两次的结果可知，当使用任意一个有效值替换空值或缺失值时，对象中所有的空值或缺失值都将会被替换。

如果希望填充不一样的内容，例如，A列缺失的数据使用数字“4.0”进行填充，B列缺失的数据使用数字“5.0”来填充，那么填充前后的效果如图3所示。

图3 指定填充列

调用fillna()方法时传入一个字典给value参数，其中字典的键为列标签，字典的值为待替换的值，实现对指定列的缺失值进行替换，具体示例代码如下。

In [7]: import pandas as pd
        import numpy as np
        from numpy import NaN
        df_obj = pd.DataFrame({'A': [1, 2, 3, NaN],
                               'B': [NaN, 4, NaN, 6],
                               'C': ['a', 7, 8, 9],
                               'D': [NaN, 2, 3, NaN]})
        df_obj

Out[7]:
   A   B C  D
0 1.0 NaN a NaN
1 2.0 4.0 7 2.0
2 3.0 NaN 8 3.0
3 NaN 6.0 9 NaN
In [8]: df_obj.fillna({'A': 4.0, 'B': 5.0}) # 指定列填充数据
Out[8]:
   A  B  C  D
0 1.0 5.0 a NaN
1 2.0 4.0 7 2.0
2 3.0 5.0 8 3.0
3 4.0 6.0 9 NaN

如果希望填充相邻的数据来替换缺失值，例如，A~D列中按从前往后的顺序填充缺失的数据，也就是说在当前列中使用位于缺失值前面的数据进行替换，填充前后的效果如图4所示。

图4 前向填充示例

调用fillna()方法时将“ffill”传入给method参数，实现前向填充缺失的数据，具体示例代码如下。

In [9]: import pandas as pd
        import numpy as np
        from numpy import NaN
        df = pd.DataFrame({'A': [1, 2, 3, None],
                           'B': [NaN, 4, None, 6],
                           'C': ['a', 7, 8, 9],
                           'D': [None, 2, 3, NaN]})
        df

Out[9]:
   A   B C  D
0 1.0 NaN a NaN
1 2.0 4.0 7 2.0
2 3.0 NaN 8 3.0
3 NaN 6.0 9 NaN
In [10]: df.fillna(method='ffill')  # 使用前向填充的方式替换空值或缺失值
Out[10]:
   A   B C  D
0 1.0 NaN a NaN
1 2.0 4.0 7 2.0
2 3.0 4.0 8 3.0

猜你喜欢：

Python库pandas使用的5种技巧

Python中有几种数据类型？数据类型简单介绍

python爬虫用什么数据库好？Mysql和Mongdb哪家有优势？

黑马Python培训课程