目錄

缺失值處理

刪除缺失值

插補(bǔ)缺失值

不處理缺失值

重復(fù)值處理

異常值處理

遍歷查找異常值，并根據(jù)規(guī)則調(diào)整大小?

刪除異常值

視為缺失值后進(jìn)行插補(bǔ)

數(shù)據(jù)挖掘過(guò)程中，采集的原始數(shù)據(jù)里存在著各種不利于分析與建模工作的因素，比如數(shù)據(jù)不完整、數(shù)據(jù)矛盾、異常值等。這些因素不僅影響建模的執(zhí)行過(guò)程，更有甚者在不知不覺(jué)間給出錯(cuò)誤的建模結(jié)果，這就使得數(shù)據(jù)清洗顯得尤為重要。但是數(shù)據(jù)清洗并不是數(shù)據(jù)預(yù)處理的全部?jī)?nèi)容，它只是第一步而已，接下來(lái)還有數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)規(guī)約等一系列處理。在實(shí)際應(yīng)用中，數(shù)據(jù)預(yù)處理的工作量占整個(gè)建模過(guò)程的60%，可以說(shuō)，預(yù)處理做得好，模型基本就出來(lái)了。

數(shù)據(jù)預(yù)處理的主要內(nèi)容包括：

數(shù)據(jù)清洗；

數(shù)據(jù)集成；

數(shù)據(jù)轉(zhuǎn)換；

數(shù)據(jù)規(guī)約；

但是在這一篇里，我們只講數(shù)據(jù)清洗，其他部分會(huì)慢慢整理。

數(shù)據(jù)清洗主要是刪除原始數(shù)據(jù)中的無(wú)關(guān)數(shù)據(jù)，重復(fù)數(shù)據(jù)，平滑噪聲數(shù)據(jù)，篩選掉與建模目的無(wú)關(guān)的數(shù)據(jù)，處理缺失值與異常值等。

缺失值處理

除了很明顯的缺失值（單元格處無(wú)值）之外，還有一種隱形的缺失值，比如，你要分析一個(gè)人從2018年初到現(xiàn)在每個(gè)月的收入情況，加入某個(gè)月這個(gè)人完全沒(méi)有收入，賬單流水中是不會(huì)顯示這種情況的，如果你想把對(duì)這些沒(méi)有收入的月份進(jìn)行缺失值處理的話，首先你就要找出哪些月份不在賬單流水中。那么請(qǐng)看下面這個(gè)鏈接中的文章吧，文章會(huì)給出2018年初到現(xiàn)在連續(xù)的日期，你只需要匹配一下就知道哪些月份不在賬單中了。

缺失值處理 - 獲取一段時(shí)間內(nèi)所有日期的列表 - （Python、MySQL）

處理缺失值的方法分為3類：刪除、插補(bǔ)、不處理。

刪除缺失值

如果通過(guò)刪除小部分的數(shù)據(jù)就可以達(dá)到目標(biāo)，那么這無(wú)疑是最簡(jiǎn)單高效的辦法。但是考慮到數(shù)據(jù)采集的不易，因此一般不會(huì)輕易刪除數(shù)據(jù)。

先來(lái)看看數(shù)據(jù)的大致情況

import pandas as pd#讀取文件 datafile = u'E:\\pythondata\\tt.xlsx'#文件所在位置 data = pd.read_excel(datafile)#如果是csv文件則用read_csv print("顯示缺失值，缺失則顯示為T(mén)RUE：\n", data.isnull())#是缺失值返回True，否則范圍False print("---------------------------------\n顯示每一列中有多少個(gè)缺失值：\n",data.isnull().sum())#返回每列包含的缺失值的個(gè)數(shù)

運(yùn)行結(jié)果：

顯示缺失值，缺失則顯示為T(mén)RUE：姓名 身高 性別 血型 出生年份 籍貫 0 False False False False False False 1 False False False False False True 2 True True True True True True 3 False False False False False False 4 False False False False False False 5 False False False False False False 6 False True True False True True 7 False False False False False False --------------------------------- 顯示每一列中有多少個(gè)缺失值：姓名 1 身高 2 性別 2 血型 1 出生年份 2 籍貫 3 dtype: int64

刪除缺失值具體的情況是一下幾種：

• data.dropna()?#直接刪除含有缺失值的行
• data.dropna(axis = 1)?#直接刪除含有缺失值的列
• data.dropna(how = 'all')?#只刪除全是缺失值的行
• data.dropna(thresh = 3)?#保留至少有3個(gè)非空值的行
• data.dropna(subset = [u'血型 '])?#判斷特定的列，若該列含有缺失值則刪除缺失值所在的行

dropna官網(wǎng)介紹文檔

插補(bǔ)缺失值

常見(jiàn)的插補(bǔ)方法：

看一眼源數(shù)據(jù)：

import pandas as pd#讀取文件 datafile = u'E:\\pythondata\\ttt.xlsx'#文件所在位置 data = pd.read_excel(datafile)#如果是csv文件則用read_csv print("顯示源數(shù)據(jù)data：\n", data)#是缺失值返回True，否則范圍False print("------------------\n用均值插補(bǔ)后的數(shù)據(jù)data：\n", data.fillna(data.mean()))

運(yùn)行結(jié)果：

顯示源數(shù)據(jù)data：姓名 工資 0 張三 11687.0 1 李四 10237.0 2 王五 8971.0 3 趙六 9310.0 4 馬七 15890.0 5 楊八 NaN 6 譚九 12361.0 7 黃十 9219.0 ------------------ 用均值插補(bǔ)后的數(shù)據(jù)data：姓名 工資 0 張三 11687.000000 1 李四 10237.000000 2 王五 8971.000000 3 趙六 9310.000000 4 馬七 15890.000000 5 楊八 11096.428571 6 譚九 12361.000000 7 黃十 9219.000000

簡(jiǎn)單的缺失值插補(bǔ)方法：

• data.fillna(data.mean())??#均值插補(bǔ)
• data.fillna(data.median())?#中位數(shù)插補(bǔ)
• data.fillna(data.mode())??#眾數(shù)插補(bǔ)
• data.fillna(data.max())? ?#最大值插補(bǔ)
• data.fillna(data.min())? ?#最小值插補(bǔ)
• data.fillna(0)? ? ? ? ?#固定值插補(bǔ)--用0填充
• data.fillna(5000)? ? ? ?#固定值插補(bǔ)--用已知的行業(yè)基本工資填充
• data.fillna（method='ffill'）#最近鄰插補(bǔ)--用缺失值的前一個(gè)值填充
• data.fillna（method='pad'）?#最近鄰插補(bǔ)--用缺失值的前一個(gè)值填充

通過(guò)擬合函數(shù)來(lái)插補(bǔ)的方法：

主要說(shuō)一說(shuō)拉格朗日插值法吧，除了拉格朗日插值法，還有牛頓插值法、Hermite插值法、分段插值法和樣條插值法。有興趣的可以把后幾種方法的代碼也研究出來(lái)。

下面是拉格朗日插值法的博客鏈接，因?yàn)閷?xiě)的很細(xì)，所以就不重復(fù)了，點(diǎn)擊鏈接跳轉(zhuǎn)去看一看吧。

文章鏈接：數(shù)據(jù)預(yù)處理 - 缺失值處理 - 拉格朗日插值法

或者，也可以使用缺失值所在行的上一行填補(bǔ)缺失值：

文章鏈接：缺失值處理 - 定位空值并用空值的上一個(gè)值填充 - （Excel）_Not Found黃小包-CSDN博客_excel填充空值

不處理缺失值

不處理就是不管，所以此處省略一萬(wàn)字......

重復(fù)值處理

在Pandas中，.duplicated()表示找出重復(fù)的行，默認(rèn)是判斷全部列，返回布爾類型的結(jié)果。對(duì)于完全沒(méi)有重復(fù)的行，返回 False，對(duì)于有重復(fù)的行，第一次出現(xiàn)的那一行返回 False，其余的返回 True。

與.duplicated()對(duì)應(yīng)的，.drop_duplicates()表示去重，即刪除布爾類型為 True的所有行，默認(rèn)是判斷全部列。

import pandas as pd import numpy as np from pandas import DataFrame,Series#讀取文件 datafile = u'E:\\pythondata\\tt.xlsx'#文件所在位置，u為防止路徑中有中文名稱，此處沒(méi)有，可以省略 data = pd.read_excel(datafile)#datafile是excel文件，所以用read_excel,如果是csv文件則用read_csv examDf = DataFrame(data)#去重 print(examDf.duplicated())#判斷是否有重復(fù)行，重復(fù)的顯示為T(mén)RUE， examDf.drop_duplicates()#去掉重復(fù)行#指定某列判斷是否有重復(fù)值 print(examDf.duplicated('name'))#判斷name列是否有重復(fù)行，重復(fù)的顯示為T(mén)RUE， examDf.drop_duplicates('name')#去掉重復(fù)行#根據(jù)多列判斷是否有重復(fù)值 print(examDf.duplicated(['name','sex','birthday']))#判斷name,sex,birthday列是否有重復(fù)行，重復(fù)的顯示為T(mén)RUE， examDf.drop_duplicates(['name','sex','birthday'])#去掉重復(fù)行

此處只是放出代碼來(lái)，若想要了解更多，比如數(shù)據(jù)源和代碼運(yùn)行結(jié)果比較，可點(diǎn)擊下面鏈接查看：

Python數(shù)據(jù)預(yù)處理 - 數(shù)據(jù)清洗 - 重復(fù)值處理

異常值處理

數(shù)據(jù)清洗過(guò)程中的異常值的處理，是選擇剔除還是用其他值代替，需要視情況而定。有些異常值可能包含某些信息，需認(rèn)真思考后采取處理方法。

常見(jiàn)的異常值處理辦法：

遍歷查找異常值，并根據(jù)規(guī)則調(diào)整大小?

文章鏈接：異常值處理 - iterrows()對(duì) DataFrame 進(jìn)行遍歷，并修改遍歷中的異常值 - Python代碼

刪除異常值

import pandas as pd #導(dǎo)入pandas庫(kù)inputfile = u'E:\\pythondata\\ttt.xlsx'data= pd.read_excel(inputfile)#將工資低于1000或者高于10萬(wàn)的異常值清空 data[u'工資'][(data[u'工資']<1000) | (data[u'工資']>100000)] = None #清空后刪除 print(data.dropna())

視為缺失值后進(jìn)行插補(bǔ)

#將工資低于1000或者高于10萬(wàn)的異常值清空 data[u'工資'][(data[u'工資']<1000) | (data[u'工資']>100000)] = None #清空后用均值插補(bǔ) print(data.fillna(data.mean()))

除了用均值插補(bǔ)之外還可以用中位數(shù)、眾數(shù)、最值、固定值、最近鄰值、拉格朗日等插值，具體方法往前翻，上面剛寫(xiě)完。

OVER!

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的Python数据清洗 - 洗什么？怎么洗？看完就明白了的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。