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])