pandas里的缺失值（理解与相关方法）

由于数据库或数据集中存在大量缺失数据和空值，这时在pandas中经常用NAN代替。

pandas用标签方法表示缺失值：

一：浮点数据类型的NaN值

二：python的None对象

其中，None是一个python对象，所以不能作为任何Numpy/pandas数组类型的缺失值，只能用于'object'数组类型（即由python对象构成的数组）

1 in:np.array([1,None,3,4])
2 out:array([1,None,3,4],dtype=object)

而NaN属于数值类型的缺失值，是一种按照IEEE浮点数标准设计，在任何系统中都兼容的特殊浮点数。

1 in：vals1=np.array([1,np.nan,3,4])
2 vals1.dtype
3 out:dtype('float64')

并且在数组运算中，NaN可看作是一个数据类病毒，可以把与它接触过的数据同化，例如：

1+np.nan与1*np.nan结果均为nan，这是需要注意的。

但在实际运算中，NaN这一特性并不能让我们得到满意的结果，如下实例可看：

1 in:vals2=np.array([1,np.nan,3,4])
2 vals2.sum(),vals2.min(),vals2.max()
3 out:(nan,nan,nan) 

特殊的累计函数，可以忽略缺失值的影响

1 in:vals3=np.array([1,np.nan,3,4])
2 np.nansum(vals3),np.nanmin(vals3),np.nanmax(vals3)
3 out:(8.0,1.0,4.0)

注意：这里结果是浮点类型 dtype='float64'

NaN与None:

在pandas中它们两个是可以等价交换的

pd.Series([1,np.nan,2,None])

out:

0 1.0

1 NaN

2 2.0

3 NaN

dtype:float64

注意：其中np.nan是强制转换成浮点数缺失值NaN，pandas会将没有标签值的数据类型自动转换为NA

转换规则如下：

类型	缺失值转换规则	NA标签值
floating浮点型	无变化	np.nan
object对象类型	无变化	np.nan或None
integer整数类型	强制转换成float64	np.nan
Boolean布尔类型	强制转换成object	np.nan或None

 

关于pandas发现、剔除、替换数据结构中的缺失值

isnull(),notnull()#返回布尔类型，创建一个布尔类型的数组，isnull():若是缺失值，则返回true，否则false，而在notnull中则相反

dropna():不传参数时，默认删除所有含缺失值的行，若传入axis=1或axis='columns'，则它会删除所有包含缺失值的列

以上会把一些非缺失值一并剔除，为避免这个情况发生，可通过设置how和thresh参数满足

例如：

df.dropna(axis=1,how='all')则是删除全部为缺失值的列

df.dropna(axis='rows',thresh=2)则删除的行中非缺失值至少为2个，thresh用于设置行或列中非缺失值的最小数量

fillna()用于填充缺失值，将其换成有效数值

（可返回填充了缺失值的数组副本）

在Series中

df.fillna(0) 用0来替换缺失值

1 in:df=pd.Series([1,2,np.nan,4,5])
2 df.fillna(0)
3 out:
4 0 1.0
5 1 2.0
6 2 0.0
7 3 4.0
8 4 5.0
9 dtype:float64

 

df.fillna(method='ffill') 从前往后填充

1 in:df=pd.Series([1,2,np.nan,4,5])
2 df.fillna(method='ffill')
3 out:
4 0 1.0
5 1 2.0
6 2 2.0
7 3 4.0
8 4 5.0
9 dtype:float64

 

df.fillna(method='bfill') 从后往前填充

1 in:df=pd.Series([1,2,np.nan,4,5])
2 df.fillna(method='bfill')
3 out:
4 0 1.0
5 1 2.0
6 2 4.0
7 3 4.0
8 4 5.0
9 dtype:float64

 

在DataFrame中

df.fillna(method='ffill',axis=1)与series用法类似，但需表明行或列

1 in:df=pd.DataFrame([[1,2,np.nan],[3,6,7],[4,np.nan,np.nan]],columns=['a','b','c'])
2 df.fillna(method='ffill',axis=0)
3 out:
4     a    b    c
5 0 1.0 2.0 2.0
6 1 3.0 6.0 7.0
7 2 4.0 4.0 4.0
8 dtype:float64