Pandas 基础(5) - 处理缺失的数据

首先, 读入一个 csv 文件:

import pandas as pd

df = pd.read_csv('/Users/rachel/Sites/pandas/py/pandas/5_handling_missing_data_fillna_dropna_interpolate/weather_data.csv')

df

输出:

查看一下 day 列的数据类型:

type(df.day[0])

输出:

str

所以目前 day 列里数据类型是字符串.

把 day 列里的数据转成时间戳, 加上第二个参数 parse_dates=['day'] 即可:

df = pd.read_csv('/Users/rachel/Sites/pandas/py/pandas/5_handling_missing_data_fillna_dropna_interpolate/weather_data.csv', parse_dates=['day'])

再查看一下 day 列的数据类型:

type(df.day[0])

输出:

pandas._libs.tslibs.timestamps.Timestamp

把 day 列设置为索引列:

df.set_index('day', inplace=True)

输出:

上面的输出有很多空值 NaN, 我们要把它改成数字0:

new_df = df.fillna(0)

new_df

输出:

可以看到所有的 NaN 都变成 0 了. 但其实, 并不是所有的列都适合用 0 来填充, 比如 event 列里的 0 就没有实际意义. Pandas 提供了自定义每个列空值填充的方法:

new_df = df.fillna({

    'temperature': 0,

    'windspeed': 0,

    'event': 'no event'

})

new_df

输出:

下面再介绍几个在实际应用中更有意义的空值填充方式:

fillna()函数

• 参考上一行的值填充:

new_df = df.fillna(method='ffill')

• 参考下一行的值填充:

new_df = df.fillna(method='bfill')

• 横向从右向左填充:

new_df = df.fillna(method='bfill', axis='columns')

• 横向从左向右填充:

new_df = df.fillna(method='ffill', axis='columns')

• 在使用上述几个填充的方法时, 还可以再加一个参数限定具体要填充几个格, 比如设置 limit=1, 就意味着只会向下填充一格, 后面的空格不管

new_df = df.fillna(method='ffill', limit=1)

输出如下, 可以看到 NaN 的部分就是未被填充的:

interpolate()函数

new_df = df.interpolate()

从输出中, 可以看出, 这个方法取的是空值前后的中间值:

显然, 取中间值的方式, 比简单粗暴地用前面的值填充更为合理, 但是其实还有优化的空间, 就以 temperature 列为例, 原本 1月4日的值是空的, 如果我们取中间值, 就得到了30.0度, 但是从实际意义出发, 我们会认为1月4日的温度应该与1月5日的温度更加接近, 而不是1月1日. 所以, 我们可以这样做:

new_df = df.interpolate(method='time')

输出:

dropna() 函数

通过这个函数, 可以舍弃掉所有有空值的行:

new_df = df.dropna()

输出:

我们看到所有有空值的行全部被删除了, 但是这貌似也不是很合适, 我们只想舍弃所有列都为空值的行, 酱紫就可以了:

new_df = df.dropna(how='all')

输出:

保留至少有一个列有值的行:

new_df = df.dropna(thresh=1)

输出:

保留至少有两个列有值的行:

new_df = df.dropna(thresh=2)

输出:

补足所缺的日期

#设置日期范围

dt = pd.date_range('2017-01-01', '2017-01-11')

#重新定义索引

idx = pd.DatetimeIndex(dt)

df = df.reindex(idx)

df

输出:

之后, 可以按照上面所讲的方法, 根据实际需要填充空值.

以上, 就是关于空值填充的一些方法, 如有问题请留言, enjoy~~~