作者 | 刘顺祥
来源 | 数据分析1480
前言
在《Python数据清洗(一):类型转换和冗余数据删除》中分享了有关数据类型转换和冗余信息删除的两个知识点,接下来继续讲解缺失值的识别和处理办法。缺失值指的是由于人为或机器等原因导致数据记录的丢失或隐瞒,缺失值的存在一定程度上会影响后续数据分析和挖掘的结果,所以对他的处理将显得尤为重要。
缺失值的识别
判断一个数据集是否存在缺失观测,通常从两个方面入手,一个是变量的角度,即判断每个变量中是否包含缺失值;另一个是数据行的角度,即判断每行数据中是否包含缺失值。关于缺失值的判断可以使用isnull方法。下面使用isnull方法对data3数据(数据可至中---下载)进行判断,统计输出的结果如下表所示。
# 判断各变量中是否存在缺失值data3.isnull().any(axis = 0)# 各变量中缺失值的数量data3.isnull().sum(axis = 0)# 各变量中缺失值的比例data3.isnull().sum(axis = 0)/data3.shape[0]
如上结果所示,数据集data3中有三个变量存在缺失值,即gender、age和edu,它们的缺失数量分别为136、100和1,927,缺失比例分别为4.53%、3.33%和64.23%。
需要说明的是,判断数据是否为缺失值NaN,可以使用isnull“方法”,它会返回与原数据行列数相同的矩阵,并且矩阵的元素为bool类型的值,为了得到每一列的判断结果,仍然需要any“方法”(且设置“方法”内的axis参数为0);统计各变量的缺失值个数可以在isnull的基础上使用sum“方法”(同样需要设置axis参数为0);计算缺失比例就是在缺失数量的基础上除以总的样本量(shape方法返回数据集的行数和列数,[0]表示取出对应的数据行数)。
读者可能对代码中的“axis=0”感到困惑,它代表了什么?为什么是0?是否还可以写其他值?下面通过图表的形式来说明axis参数的用法:
假设上图为学生的考试成绩表,如果直接对成绩表中的分数进行加和操作,得到的是所有学生的分数总和(很显然没有什么意义),如果按学生分别计算总分,将是上图从左到右的转换。该转换的特征是列数发生了变化(可以是列数减少,也可以是列数增多),类似于在水平方向上受了外部的压力或拉力,这样的外力就理解为轴axis为1的效果(便于理解,可以想象为飞机在有动力的情况下,可以保持水平飞行状态)。
同样对于如上的学生成绩表,如果直接对成绩表中的分数计算平均值,得到的是所有学生的平均分数(很显然也没有什么意义),如果按学科分别计算平均分,将是上图中从上到下的转换。该转换的特征是行数发生了变化(可以是行数减少,也可以是行数增多),类似于在垂直方向上受了外部的挤压或拉伸,这样的外力就理解为轴axis为0的效果(便于理解,可以想象为飞机在没有动力的情况下,呈下降趋势)。
如上是关于变量方面的缺失值判断过程,还可以利用下方的代码识别数据行的缺失值分布情况:
# 判断数据行中是否存在缺失值
如上结果所示,返回True值,说明data3中的数据行存在缺失值。代码中使用了两次any“方法”,第一次用于判断每一行对应的True(即行内有缺失值)或False值(即行内没有缺失值);第二次则用于综合判断所有数据行中是否包含缺失值。同理,进一步还可以判断缺失行的具体数量和占比,代码如下:
# 缺失观测的行数data3.isnull().any(axis = 1).sum()# 缺失观测的比例data3.isnull().any(axis = 1).sum()/data3.shape[0]
如上结果所示,3000行的数据集中有2024行存在缺失值,缺失行的比例约67.47%。不管是变量角度的缺失值判断,还是数据行角度的缺失值判断,一旦发现缺失值,都需要对其作相应的处理,否则一定程度上都会影响数据分析或挖掘的准确性。
缺失值的处理办法
通常对于缺失值的处理,最常用的方法无外乎删除法、替换法和插补法。删除法是指将缺失值所在的观测行删除(前提是缺失行的比例非常低,如5%以内),或者删除缺失值所对应的变量(前提是该变量中包含的缺失值比例非常高,如70%左右);替换法是指直接利用缺失变量的均值、中位数或众数替换该变量中的缺失值,其好处是缺失值的处理速度快,弊端是易产生有偏估计,导致缺失值替换的准确性下降;插补法则是利用有监督的机器学习方法(如回归模型、树模型、网络模型等)对缺失值作预测,其优势在于预测的准确性高,缺点是需要大量的计算,导致缺失值的处理速度大打折扣。下面将选择删除法、替换法和插补法对缺失值进行处理,代码如下:
# 删除字段 -- 如删除缺失率非常高的edu变量data3.drop(labels = 'edu', axis = 1, inplace=True)# 数据预览data3.head()
如上结果所示,表中的edu变量已被成功删除。对于字段的删除可以选择drop“方法”,其中labels参数用于指定需要删除的变量名称,如果是多个变量,则需要将这些变量名称写在一对中括号内(如['var1','var2','var3']);删除变量一定要设置axis参数为1,因为变量个数发生了变化(所以,借助于axis参数也可以删除观测行啦);inplace则表示是否原地修改,即是否直接将原表中的字段进行删除,这里设置为True,如果设置为False,则将删除变量的预览效果输出来,而非真正改变原始数据。
# 删除观测,-- 如删除age变量中所对应的缺失观测data3_new = data3.drop(labels = data3.index[data3['age'].isnull()],
axis = 0)# 查看数据的规模data3_new.shapeout:(2900, 5)
如上结果所示,利用drop“方法”实现了数据行的删除,但必须将axis参数设置为0,而此时的labels参数则需要指定待删除的行编号。这里的行编号是借助于index“方法”(用于返回原始数据的行编号)和isnull“方法”(用于判断数据是否为缺失状态,如果是缺失则返回True)实现的,其逻辑就是将True对应的行编号取出来,传递给labels参数。
如果变量的缺失比例非常大,或者缺失行的比例非常小时,使用删除法是一个不错的选择,反之,将会丢失大量的数据信息而得不偿失。接下来讲解如何使用替换法处理缺失值,代码如下:
# 替换法处理缺失值data3.fillna(value = {'gender': data3['gender'].mode()[0],
# 使用性别的众数替换缺失性别 'age':data3['age'].mean()
# 使用年龄的平均值替换缺失年龄 }, inplace = True # 原地修改数据 )
# 再次查看各变量的缺失比例data3.isnull().sum(axis = 0)
如上结果所示,采用替换法后,原始数据中的变量不再含有缺失值。缺失值的填充使用的是fillna“方法”,其中value参数可以通过字典的形式对不同的变量指定不同的值。需要强调的是,如果计算某个变量的众数,一定要使用索引技术,例如代码中的[0],表示取出众数序列中的第一个(我们知道,众数是指出现频次最高的值,假设一个变量中有多个值共享最高频次,那么Python将会把这些值以序列的形式存储起来,故取出指定的众数值,必须使用索引)。
正如前文所说,虽然替换法思想简单、效率高效,但是其替换的值往往不具有很高的准确性,于是出现了插补方法。该方法需要使用机器学习算法,不妨以KNN算法为例,对Titanic数据集中的Age变量做插补法完成缺失值的处理。代码如下:
# 读取数据titanic = pd.read_csv('Titanic.csv')# 删除缺失严重的Cabin变量titanic.drop(labels='Cabin', axis = 1,
inplace=True)# 根据Embarked变量,删除对应的缺失行titanic.dropna(subset=['Embarked'], inplace=True)
# 删除无关紧要的变量(这些变量对后面预测年龄没有太多的帮助)
titanic.drop(labels=['PassengerId','Name','Ticket','Embarked'], axis = 1, inplace=True)
# 将字符型的性别变量映射为数值变量titanic.Sex = titanic.Sex.map({'male':1, 'female':0})
# 将数据拆分为两组,一是年龄缺失组,二是年龄非缺失组,后续基于非缺失值构建KNN模型,再对缺失组做预测
nomissing = titanic.loc[~titanic.Age.isnull(),]missing = titanic.loc[titanic.Age.isnull(),]
# 导入机器学习的第三方包from sklearn import neighbors
# 提取出所有的自变量X = nomissing.columns[nomissing.columns != 'Age']
# 构建模型knn = neighbors.KNeighborsRegressor()
# 模型拟合knn.fit(nomissing[X], nomissing.Age)
# 年龄预测pred_age = knn.predict(missing[X])
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14