1. 5.7 高级处理-缺失值处理

1.1. 学习目标

• 应用isnull判断是否有缺失数据NaN
• 应用fillna实现缺失值的填充
• 应用dropna实现缺失值的删除
• 应用replace实现数据的替换

1.2. 1 如何处理nan

• 获取缺失值的标记方式(NaN或者其他标记方式)
• 如果缺失值的标记方式是NaN
  • 判断数据中是否包含NaN：
    • pd.isnull(df),
    • pd.notnull(df)
  • 存在缺失值nan:
    • 1、删除存在缺失值的:dropna(axis='rows')
      • 注：不会修改原数据，需要接受返回值
    • 2、替换缺失值:fillna(value, inplace=True)
      • value:替换成的值
      • inplace:True:会修改原数据，False:不替换修改原数据，生成新的对象
• 如果缺失值没有使用NaN标记，比如使用"？"
  • 先替换‘?’为np.nan，然后继续处理

1.3. 2 数据的缺失值处理举例

• 电影数据文件获取

# 读取电影数据
movie = pd.read_csv("./data/IMDB-Movie-Data.csv")

1.3.1. 2.1 判断缺失值是否存在

• pd.notnull()

pd.notnull(movie)
Rank    Title    Genre    Description    Director    Actors    Year    Runtime (Minutes)    Rating    Votes    Revenue (Millions)    Metascore
0    True    True    True    True    True    True    True    True    True    True    True    True
1    True    True    True    True    True    True    True    True    True    True    True    True
2    True    True    True    True    True    True    True    True    True    True    True    True
3    True    True    True    True    True    True    True    True    True    True    True    True
4    True    True    True    True    True    True    True    True    True    True    True    True
5    True    True    True    True    True    True    True    True    True    True    True    True
6    True    True    True    True    True    True    True    True    True    True    True    True
7    True    True    True    True    True    True    True    True    True    True    False    True
np.all(pd.notnull(movie))

• pd.isnull()

1.3.2. 2.2 缺失值是nan标记处理方式

• 1、删除

pandas删除缺失值，使用dropna的前提是，缺失值的类型必须是np.nan

# 不修改原数据
movie.dropna()

# 可以定义新的变量接受或者用原来的变量名
data = movie.dropna()
* 2、替换缺失值
# 替换存在缺失值的样本的两列
# 替换填充平均值，中位数
# movie['Revenue (Millions)'].fillna(movie['Revenue (Millions)'].mean(), inplace=True)

替换所有缺失值：

for i in movie.columns:
    if np.all(pd.notnull(movie[i])) == False:
        print(i)
        movie[i].fillna(movie[i].mean(), inplace=True)

1.3.3. 2.3 缺失值不是nan标记的处理方式

数据是这样的：

wis = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data")

以上数据在读取时，可能会报如下错误：

URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:833)>

解决办法：

# 全局取消证书验证
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

处理思路分析：

1、先替换‘?’为np.nan

• df.replace(to_replace=, value=)
  • to_replace:替换前的值
  • value:替换后的值

# 把一些其它值标记的缺失值，替换成np.nan
wis = wis.replace(to_replace='?', value=np.nan)

2、在进行缺失值的处理

# 删除
wis = wis.dropna()

1.4. 3 小结

• isnull、notnull判断是否存在缺失值【知道】
  • np.any(pd.isnull(movie)) # 里面如果有一个缺失值,就返回True
  • np.all(pd.notnull(movie)) # 里面如果有一个缺失值,就返回False
• dropna删除np.nan标记的缺失值【知道】
  • movie.dropna()
• fillna填充缺失值【知道】
  • movie[i].fillna(value=movie[i].mean(), inplace=True)
• replace替换具体某些值【知道】
  • wis.replace(to_replace="?", value=np.NaN)