一、引言

在數(shù)據(jù)分析的世界里，數(shù)據(jù)清洗是一項(xiàng)至關(guān)重要的前期工作。它猶如給食材去皮、洗凈、切片，讓它們成為一道道美味佳肴的原材料。對(duì)于Python初學(xué)者來(lái)說(shuō)，掌握如何使用強(qiáng)大的Pandas庫(kù)處理數(shù)據(jù)中的缺失值是邁向數(shù)據(jù)清洗高手的第一步。本文將帶領(lǐng)您探索使用Pandas處理缺失值的10種策略，讓您在實(shí)戰(zhàn)中游刃有余。

二、準(zhǔn)備工作：導(dǎo)入Pandas庫(kù)與加載示例數(shù)據(jù)集

首先，確保已經(jīng)安裝了Pandas庫(kù)，可通過(guò)以下命令進(jìn)行安裝：

pip install pandas

然后，我們創(chuàng)建一個(gè)簡(jiǎn)單的示例數(shù)據(jù)集example_data.csv，其中包含一些故意引入的缺失值（用NaN表示），以方便演示各種處理策略。以下代碼導(dǎo)入Pandas庫(kù)并加載數(shù)據(jù)集：

import pandas as pd

# 加載示例數(shù)據(jù)集
df = pd.read_csv("example_data.csv")
print(df)

輸出結(jié)果類(lèi)似如下：

   A    B    C    D
0  1  2.0  NaN  foo
1  2  NaN  7.0  bar
2  3  4.0  5.0  baz
3  4  NaN  6.0  qux
4  5  6.0  NaN  quux

接下來(lái)，我們將逐一介紹并演示10種處理缺失值的策略。

三、策略1：直接刪除含有缺失值的行

有時(shí)，當(dāng)數(shù)據(jù)集中存在大量缺失值，且對(duì)分析影響較小時(shí)，可以選擇直接刪除含有缺失值的行。Pandas的dropna()方法可以輕松實(shí)現(xiàn)這一操作：

# 刪除含有缺失值的行
df_cleaned = df.dropna()
print(df_cleaned)

注意：刪除數(shù)據(jù)需謹(jǐn)慎，確保缺失值的分布不會(huì)嚴(yán)重影響分析結(jié)果。

四、策略2：刪除含有缺失值的列

如果某一列的缺失值過(guò)多，可能對(duì)該列的分析價(jià)值產(chǎn)生較大影響，這時(shí)可以考慮刪除整列。只需將dropna()方法的axis參數(shù)設(shè)置為1（代表列）：

# 刪除含有缺失值的列
df_cleaned = df.dropna(axis=1)
print(df_cleaned)

五、策略3：填充缺失值（替換為固定值）

若希望將所有缺失值替換為某個(gè)固定的值（如0、-1或特定字符串），使用fillna()方法即可：

# 將所有缺失值替換為0
df_filled = df.fillna(0)
print(df_filled)

六、策略4：基于前一個(gè)非空值進(jìn)行向前填充

對(duì)于時(shí)間序列數(shù)據(jù)或其他有序數(shù)據(jù)，有時(shí)會(huì)采用“前一個(gè)非空值”來(lái)填充缺失值。只需將fillna()方法的method參數(shù)設(shè)為ffill（forward fill）：

# 基于前一個(gè)非空值進(jìn)行向前填充
df_filled = df.fillna(method='ffill')
print(df_filled)

七、策略5：基于后一個(gè)非空值進(jìn)行向后填充

與向前填充相反，向后填充（backfill）使用的是“后一個(gè)非空值”。只需將fillna()方法的method參數(shù)設(shè)為bfill：

# 基于后一個(gè)非空值進(jìn)行向后填充
df_filled = df.fillna(method='bfill')
print(df_filled)

八、策略6：基于平均值、中位數(shù)或眾數(shù)填充缺失值

對(duì)于數(shù)值型數(shù)據(jù)，可以計(jì)算列的平均值、中位數(shù)或眾數(shù)，然后用這些統(tǒng)計(jì)量填充缺失值。分為兩步：

• 計(jì)算統(tǒng)計(jì)量：

mean_A = df['A'].mean()
median_B = df['B'].median()
mode_C = df['C'].mode()[0]

• 使用fillna()方法進(jìn)行填充：

df_filled_A = df['A'].fillna(mean_A)
df_filled_B = df['B'].fillna(median_B)
df_filled_C = df['C'].fillna(mode_C)

九、策略7：使用插值法填充缺失值

對(duì)于連續(xù)的數(shù)值型數(shù)據(jù)，可以使用插值法進(jìn)行填充。Pandas支持線(xiàn)性插值和時(shí)間序列插值：

• 線(xiàn)性插值：使用interpolate()方法，無(wú)需額外參數(shù)：

df_interpolated = df.interpolate()
print(df_interpolated)

• 時(shí)間序列插值：假設(shè)數(shù)據(jù)集有時(shí)間戳列（如datetime），則可使用method='time'參數(shù)：

df['datetime'] = pd.to_datetime(df['datetime'])  # 轉(zhuǎn)換為datetime類(lèi)型
df_interpolated = df.set_index('datetime').interpolate(method='time').reset_index()
print(df_interpolated)

十、策略8：使用特定函數(shù)填充缺失值

如果您想根據(jù)數(shù)據(jù)特點(diǎn)自定義填充規(guī)則，可以編寫(xiě)一個(gè)函數(shù)，然后通過(guò)applymap()方法應(yīng)用到整個(gè)數(shù)據(jù)框：

def custom_fillna(x):
    if isinstance(x, float) and pd.isnull(x):
        return 0  # 對(duì)浮點(diǎn)數(shù)缺失值填充0
    else:
        return x  # 其他情況保持原樣

df_custom_filled = df.applymap(custom_fillna)
print(df_custom_filled)

十一、策略9：利用機(jī)器學(xué)習(xí)模型預(yù)測(cè)缺失值

對(duì)于復(fù)雜的數(shù)據(jù)集，可以訓(xùn)練一個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)模型（如線(xiàn)性回歸）來(lái)預(yù)測(cè)缺失值。以下是一個(gè)簡(jiǎn)化的示例：

from sklearn.linear_model import LinearRegression

# 假設(shè)D列有缺失值，用A、B、C列作為特征預(yù)測(cè)D列
X = df.dropna(subset=['D'])[['A', 'B', 'C']]
y = df.dropna(subset=['D'])['D']

model = LinearRegression().fit(X, y)

# 預(yù)測(cè)并填充缺失值
df['D_pred'] = model.predict(df[['A', 'B', 'C']])
df['D_filled'] = df['D'].fillna(df['D_pred'])
print(df)

十二、策略10：多重填充策略的組合運(yùn)用

實(shí)際工作中，可能需要結(jié)合多種策略靈活應(yīng)對(duì)不同情況。例如，先用眾數(shù)填充類(lèi)別變量，再用線(xiàn)性插值填充數(shù)值變量：

df_filled_categories = df.fillna(df.mode().iloc[0])
df_filled_numerics = df_filled_categories.interpolate()
print(df_filled_numerics)

十三、結(jié)論與實(shí)踐建議

處理數(shù)據(jù)中的缺失值沒(méi)有絕對(duì)的“最佳實(shí)踐”，應(yīng)根據(jù)數(shù)據(jù)特性和分析目標(biāo)靈活選擇合適的方法。理解并熟練運(yùn)用Pandas提供的工具，結(jié)合實(shí)際情況創(chuàng)新組合策略，將使你在數(shù)據(jù)清洗的道路上更加自信從容。

到此這篇關(guān)于pandas處理缺失值的10種策略的文章就介紹到這了,更多相關(guān)pandas 缺失值內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論