在数据挖掘中,前期数据预处理,会涉及到很多缺失值的处理问题。
现以python代码实现为例,看如何具体处理的。
所需python包
from pandas import Series, DataFrame
import pandas as pd
寻找缺失值
def FindFeactureNAorValue(data, feacture_cols, axis=0, value = 'NA', prob_dropFct = 0.95):
'''
函数说明:寻找每一个特征有多少value值,默认为:缺失值,及所占比率
输入:data——整个数据集,包括Index,target
feacture_cols——特征名
prob_dropFct——大于这个比例,就丢掉该特征
输出:numValue——DataFrame index='feacture1', columns=['numnumValue', 'probnumValue']
dropFeacture_cols——要丢掉的特征列名
'''
#计算x中value值个数
def num_Value(x, value = 'NA'):
if value == 'NA':
return sum(x.isnull()) #寻找缺失值个数
else:
return sum(x == value) #寻找某个值value个数
numValue = data[feacture_cols].apply(num_Value, axis=axis,args=[value])
numValue = DataFrame(numValue, columns = ['numValue'])
nExample = data.shape[0]
probValue = map(lambda x: round(float(x)/nExample, 4), numValue['numValue'])
numValue['probValue'] = probValue
#寻找缺失值大于prob_dropFct的特征 m, , ,.
dropFeacture = numValue[numValue['probValue'] >= prob_dropFct]
dropFeacture_cols = list(dropFeacture.index)
return numValue,dropFeacture_cols
处理数值型特征缺失值
def FillNAorValueOfNum(data, numFct_cols, value = 'NA', replaceNA = 'mean'):
'''
函数说明:为数值变量填上缺失值,缺失值为特征均值,中位数,众数
输入:data——整个数据集,包括Index,target
numFct_cols——数值特征名
value ——'NA'或-1,-1也有可能为NA
replaceNA——'mean'、'mode'、'median'
输出:newData——DataFrame 替换value值
'''
#用均值、众数、中位数替换每一个特征缺失值或value值
def fillValue(x, value=-1, replaceNA='mean'):
if replaceNA == 'mean':
replaceValue = x.mean()
if replaceNA == 'mode':
x_mode = x.mode()
if len(x_mode) > 1:
replaceValue = x_mode[0]
else:
replaceValue = x_mode
if replaceNA == 'median':
replaceValue = x.median()
replaceValue = x.mean()
x[x == value] = replaceValue
return x
numData = data[numFct_cols]
if replaceNA == 'mean':
if value == 'NA':
newData = numData.fillna(numData.mean(),inplace=True)
else:
newData = numData.apply(fillValue, axis = 0, args=(value, replaceNA))
if replaceNA == 'mode':
if value == 'NA':
newData = numData.fillna(numData.mode(),inplace=True)
else:
newData = numData.apply(fillValue, axis = 0, args=(value, replaceNA))
if replaceNA == 'median':
if value == 'NA':
newData = numData.fillna(numData.median(),inplace=True)
else:
newData = numData.apply(fillValue, axis = 0, args=(value, replaceNA))
return newData
处理类别型特征缺失值
from sklearn.preprocessing import LabelEncoder
def FillNAofCat(data, feacture_cols):
'''
函数说明:为类别变量填上缺失值,认为缺失值是新的一类
输入:data——整个数据集,包括Index,target
feacture_cols——特征名
输出:catData——DataFrame 数值化后的类别特征样本
'''
catData = data[feacture_cols]
catData = catData.fillna(value = -9999)
#创建分类特征的标签编码器 jiushi字符串转化为数字
for var in feacture_cols:
number = LabelEncoder()
catData[var] = number.fit_transform(catData[var].astype('str'))
return catData
def CatToDummy(data, catfct_cols):
'''
函数说明:类别变量转化为哑变量
输入:data——整个数据集,包括Index,target
catfct_cols——类别特征名
输出:dummyCatData——DataFrame
'''
catData = data[catfct_cols]
dummyCatData = pd.get_dummies(catData,columns=catfct_cols, sparse = True)
return dummyCatData
为每个特征缺失值标上标志位
def GetNewValueOfNAfeacture(data, feacture_cols):
'''
函数说明:为有缺失值的变量创建一个新的变量 对缺失值标志为1,否则为0
输入:data——整个数据集,包括Index,target
feacture_cols——特征名
输出:newData——DataFrame类型
'''
newData = data[feacture_cols]
for var in feacture_cols:
if newData[var].isnull().any() == True:
newData[var+'_NA'] = newData[var].isnull()*1
newData = newData.drop(feacture_cols,1)
return newData
数据分析咨询请扫描二维码