
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
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08LSTM 输出不确定的成因、影响与应对策略 长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种变体,凭借独特的门控机制,在 ...
2025-07-07统计学方法在市场调研数据中的深度应用 市场调研是企业洞察市场动态、了解消费者需求的重要途径,而统计学方法则是市场调研数 ...
2025-07-07CDA数据分析师证书考试全攻略 在数字化浪潮席卷全球的当下,数据已成为企业决策、行业发展的核心驱动力,数据分析师也因此成为 ...
2025-07-07