pandas 对缺失值的处理

被认为是缺失值的值

因为计算速度和便利性的原因，NaN是默认的缺失值符号。在许多情况下，python的None我们也希望被认作是缺失值或者不合法值或者NA。

Note: 如果想把inf和-inf认为是NA，那么可以设置： pandas.options.mode.use_inf_as_na = True.

构造一个dataframe

df = pd.DataFrame(
    np.random.randn(5,3),
    index=['a','c','e','f','h'],
    columns=['one','two','three']
)

df['four'] = 'bar'
df['five'] = df['one']>0
print(df)

        one       two     three four   five
a -1.578845  0.140311  0.810458  bar  False
c  1.232962  0.356917  1.986505  bar   True
e  2.878537 -1.184566  1.793575  bar   True
f -0.520843 -2.267867 -0.080532  bar  False
h  0.886857 -1.417980 -0.401882  bar   True

df2 = df.reindex(list("abcdefgh"))
print(df2)

reindex之后，原来的df没有的数据会被补充为NaN

        one       two     three four   five
a -1.578845  0.140311  0.810458  bar  False
b       NaN       NaN       NaN  NaN    NaN
c  1.232962  0.356917  1.986505  bar   True
d       NaN       NaN       NaN  NaN    NaN
e  2.878537 -1.184566  1.793575  bar   True
f -0.520843 -2.267867 -0.080532  bar  False
g       NaN       NaN       NaN  NaN    NaN
h  0.886857 -1.417980 -0.401882  bar   True

pd.isna(df2['one']) #等价于 df2['one'].isna()

a    False
b     True
c    False
d     True
e    False
f    False
g     True
h    False
Name: one, dtype: bool

同理，还有pd.nona()

Warning: 在pythong和numpy中，nan并不是相等的，而None是相等的。因此，pandas或者numpy中np.nan != np.nan，并且将None视为np.nan.

None == None # True
np.nan == np.nan # False
None == np.nan #False

所以如下的操作并得不到什么有用的信息

df2['one'] == np.nan
#尽管在'one'列中有一半的NaN值，但是和np.nan并不相等。
a    False
b    False
c    False
d    False
e    False
f    False
g    False
h    False
Name: one, dtype: bool

整数类型和缺失值

因为NaN是一个浮点数（float类型），一列整数尽管只有一个缺失值都会被映射为浮点类型的数据（这是出于高性能的考虑）。但是pandas也提供了相应的数据类型，使得缺失值映射成为整型数据：

pd.Series([1,2,np.nan,4],dtype='Int64')
0       1
1       2
2    <NA>
3       4
dtype: Int64

Datatimes

在日期类型的数据中，NaT表示缺失值。

Inserting missing data 插入缺失值

在数字类型中，None会被解释为NaN，但是在非数字类型中，None就会被作为一个值。但是不论何时，np.nan永远都是NaN

s = pd.Series([1,2,3])
s[0] = None 
print(s)
0    NaN
1    2.0
2    3.0
dtype: float64

s = pd.Series(['a','b','c'])
s[0] = None 
s[1] = np.nan
print(s)

0    None
1     NaN
2       c
dtype: object

计算过程中的缺失值处理

当对数据求和的时候，缺失值被认为是0
如果所有的数据都是NA ，结果就是0
累计计算方法例如累计求和cumsum()和累计乘cumprod()会忽略NA值。也可以不忽略 skipna=False.

填充缺失值

replace NA with a scalar value 用标量来替换

df.fillna(0) #对整个df的缺失值以0填充
df2['one'].fillna("missing") #对某列缺失值以“missing"来填充

fill gaps forward or backward 前向或者后向填充

df['one'].fillna(method = 'pad') #前向填充，用index小的数据填充index大的数据
#等价于
df['one'].ffill()
#还等价于
df['one'].fillna(method='ffill')
#还可以限制填充的数量
df['one'].fillna(method='pad',limit=1)

注意一定要写上形参的名字method,否则df.fillna('pad')将会以’pad’作为填充值。
同样的还有后向填充，即用后面的值来填充前面的值：bfill() or backfill()

用计算值来填充缺失值
例如，可以用每一列的均值来填充每一列的缺失数据

df.fillna(df.mean())

或者某一列的缺失值用某一列的均值来填充

df['one'].fillna(df['one'].mean())

还有一种高级的写法，能够实现一次性以多列的均值分别填充其缺失值

ddf.fillna(ddf.mean()['A':'B'])

Same result as above, but is aligning the ‘fill’ value which is a Series in this case.只不过填充值是一个Series对象。

舍弃缺失值

df.dropna() #默认为行，舍弃有缺失值的行
df.dropna(axis=1) #舍弃有缺失值的列
df['one'].dropna() #舍弃有缺失值的值