Pandas缺失值处理 Python Pandas知识点之缺失值处理详解

前言

数据处理过程中，经常会遇到数据有缺失值的情况，本文介绍如何用Pandas处理数据中的缺失值。

一、什么是缺失值

对数据而言，缺失值分为两种，一种是Pandas中的空值，另一种是自定义的缺失值。

1. Pandas中的空值有三个：np.nan (Not a Number) 、 None 和 pd.NaT(时间格式的空值，注意大小写不能错)，这三个值可以用Pandas中的函数isnull()，notnull()，isna()进行判断。

isnull()和notnull()的结果互为取反，isnull()和isna()的结果一样。对于这三个函数，只需要用其中一个就可以识别出数据中是否有空值。如果数据量较大，再配合numpy中的any()和all()函数就行了。

需要特别注意两点：

• 如果某一列数据全是空值且包含pd.NaT，np.nan和None会自动转换成pd.NaT。
• 空值(np.nan、None、pd.NaT)既不是空字符串""，也不是空格" "。

从Python解释器来看，np.nan的类型是float，None的类型是NoneType，两者在Pandas中都显示为NaN，pd.NaT的类型是Pandas中的NaTType，显示为NaT。而不管是空字符串还是空格，其数据类型都是字符串，Pandas判断的结果不是空值。

2. 自定义缺失值有很多不同的形式，如上面刚说的空字符串和空格(当然，一般不用这两个，因为看起来不够直观)。

在获取数据时，可能会有一些数据无法得到，也可能数据本身就没有，造成了缺失值。对于这些缺失值，在获取数据时通常会用一些符号之类的数据来代替，如问号？，斜杠/，字母NA等。

如果处理的数据是自己获取的，那自己知道缺失值是怎么定义的，如果数据是其他人提供的，一般会同时提供数据的说明文档，说明文档中会注明缺失值的定义方式。

对于自定义缺失值，不能用isnull()等三个函数来判断，不过可以用isin()函数来判断。找到这些值后，将其替换成np.nan，数据就只有空值一种缺失值了。

此外，在数据处理的过程中，也可能产生缺失值，如除0计算，数字与空值计算等。

二、判断缺失值

1. 自定义缺失值的判断和替换

isin(values): 判断Series或DataFrame中是否包含某些值，可以传入一个可迭代对象、Series、DataFrame或字典。在我们判断某个自定义的缺失值是否存在于数据中时，用列表的方式传入就可以了。

replace(to_replace=None, value=None): 替换Series或DataFrame中的指定值，一般传入两个参数，to_replace为被替换的值，value为替换后的值。to_replace和value不仅支持Python中的整型、字符串、列表、字典等，还支持正则表达式。

使用replace()时，默认返回原数据的一个副本，replace()中的inplace参数默认为False，将inplace参数修改为True，则会修改数据本身。其他参数这里就不展开了，有需要可以自己添加。

其实replace()函数已经可以用于缺失值的填充处理了，直接一步到位，而不用先替换成空值再处理。当然，先替换成空值，可以与空值一起处理。

2. 空值判断

isnull(): 判断Series或DataFrame中是否包含空值，与isna()结果相同，与notnull()结果相反。返回结果是一个与原数据形状相同的Series或DataFrame。

如果数据很多，我们不可能肉眼观察返回结果中的布尔值，所以需要借助numpy中的any()函数或all()函数，进一步对结果进行判断。

三、删除缺失值

dropna(axis=0, how="any", thresh=None, subset=None, inplace=False): 删除Series或DataFrame中的空值。

axis: axis参数默认为0('index')，按行删除，即删除有空值的行。将axis参数修改为1或‘columns'，则按列删除，即删除有空值的列。在实际的应用中，一般不会按列删除，例如数据中的一列表示年龄，不能因为年龄有缺失值而删除所有年龄数据。

how: how参数默认为any，只要一行(或列)数据中有空值就会删除该行(或列)。将how参数修改为all，则只有一行(或列)数据中全部都是空值才会删除该行(或列)。

thresh: 表示删除空值的界限，传入一个整数。如果一行(或列)数据中少于thresh个非空值(non-NA values)，则删除。​也就是说，一行(或列)数据中至少要有thresh个非空值，否则删除。

subset: 删除空值时，只判断subset指定的列(或行)的子集，其他列(或行)中的空值忽略，不处理。当按行进行删除时，subset设置成列的子集，反之。

inplace: 默认为False，返回原数据的一个副本。将inplace参数修改为True，则会修改数据本身。

删除缺失值，必然会导致数据量的减少，如果缺失值占数据的比例较大，比如超过了数据的10%(具体标准根据项目来定)，删除数据对数据分析的结果会有很大的影响，不合理。

四、填充缺失值

fillna(value=None, method=None, axis=None, inplace=False, limit=None): 填充Series或DataFrame中的空值。

value: 表示填充的值，可以是一个指定值，也可以是字典, Series或DataFrame。

method: 填充的方式，默认为None。有 ffill，pad，bfill，backfill 四种填充方式可以使用，ffill 和 pad 表示用缺失值的前一个值填充，如果axis=0，则用空值上一行的值填充，如果axis=1，则用空值左边的值填充。假如空值在第一行或第一列，以及空值前面的值全都是空值，则无法获取到可用的填充值，填充后依然保持空值。bfill 和 backfill 表示用缺失值的后一个值填充，axis的用法以及找不到填充值的情况同 ffill 和 pad 。

注意：当指定填充方式method时，不能同时指定填充值value，否则报错。

axis: 通常配合method参数使用，axis=0表示按行，axis=1表示按列。

limit: 表示填充执行的次数。如果是按行填充，则填充一行表示执行一次，按列同理。

在缺失值填充时，填充值是自定义的，对于数值型数据，最常用的两种填充值是用该列的均值和众数。DataFrame的众数也是一个DataFrame数据，众数可能有多个(极限情况下，当数据中没有重复值时，众数就是原DataFrame本身)，所以用mode()函数求众数时取第一行用于填充就行了。

除了可以在fillna()函数中传入method参数指定填充方式外，Pandas中也实现了不同填充方式的函数，可以直接调用。

pad(axis=0, inplace=False, limit=None): 用缺失值的前一个值填充。

ffill(): 同pad()。

bfill(): 用缺失值的后一个值填充。

backfill(): 同bfill()。

在进行数据填充时，可能填充之后还有空值，如用ffill 和 pad填充时，数据第一行就是空值。对于这种情况，需要在填充前人工进行判断，避免选择不适合的填充方式，并在填充完成后，再检查一次数据中是否还有空值。

总结