Pandas缺失值inf与nan处理实践

Posted 2022-12-21 肖永威

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Pandas缺失值inf与nan处理实践相关的知识，希望对你有一定的参考价值。

1. Pandas缺失值

对于表格数据而言，缺失值分为三种：

一是Pandas中的空值（NaN）
二是Pandas中的正负无穷（inf），严格意义上也不算缺失值，表示无穷！
三是自定义的缺失值。

1.1. Pandas中的空值

Pandas中的空值有三个：np.nan (Not a Number) 、 None 和 pd.NaT(时间格式的空值，注意大小写不能错)，这三个值可以用Pandas中的函数isnull()，notnull()，isna()进行判断。

isnull()和notnull()的结果互为取反，isnull()和isna()的结果一样。

需要特别注意三点：

如果某一列数据全是空值且包含pd.NaT，np.nan和None会自动转换成pd.NaT。
空值(np.nan、None、pd.NaT)既不是空字符串"“，也不是空格” "。
None是一个 Python 对象
不可以用在任意的 NumPy 或 Pandas 数组里，只用于列表且数据类型是 Object。
默认 Pandas 会将 None 转换成 NAN
对包含 None 元素的数组进行计算(如： sum, min, max)会抛出 TypeError 异常。

import pandas as pd
import numpy as np

df = pd.DataFrame('float': [1.3,5.2,np.nan],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,pd.NaT],
                   'string': ['python','pandas','numpy'])

例如通过df.isnull()查看缺失情况。

1.2. Pandas中的正负无穷

对于特别大的数字，或者除数为0时，将产生正负无穷，Pandas中用np.inf表示。

import pandas as pd
import numpy as np

df = pd.DataFrame('float': [1.3,5.2,np.nan],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,pd.NaT],
                   'string': ['python','pandas','numpy'])
df['inf'] = df['float']/0

1.3. 自定义缺失值

自定义缺失值有很多不同的形式，如上面刚说的空字符串和空格(当然，一般不用这两个，因为看起来不够直观)。

在获取数据时，可能会有一些数据无法得到，也可能数据本身就没有，造成了缺失值。对于这些缺失值，在获取数据时通常会用一些符号之类的数据来代替，如问号？，斜杠/，字母NA等。

2. 处理缺失数据

2.1. 用数组过滤

用 df.isin([np.nan, np.inf, -np.inf]) 方法
用 df.any() 方法只要包含任意一个缺失的值，any()一个序列中满足一个True，则返回True
最后，用布尔数组来进行切分。

import pandas as pd
import numpy as np

df = pd.DataFrame('float': [1.3,5.2,np.nan],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),
                            pd.Timestamp('2019-05-10'),pd.NaT],
                   'string': ['python','pandas','numpy'])
df[~df.isin([np.nan, np.inf, -np.inf]).any(axis=1)]

2.2. 替换 inf 和 -inf 成 NaN, 然后选择非空的行数据

用df.replace([np.inf, -np.inf], np.nan)，把正负无穷为空值np.nan
再用df.notnull()，筛选非空数据
再用df.all()，all()一个序列中所有值为True时，返回True，否则为False。

import pandas as pd
import numpy as np

df = pd.DataFrame('float': [1.3,5.2,np.inf],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,
                                pd.Timestamp('2019-05-10')],
                   'string': ['python','pandas','numpy'])
df

df['inf'] = df['float']/0
df

df['inf'].replace(np.inf, 0, inplace=True)
df

df[df.replace([np.inf, -np.inf], np.nan).notnull().all(axis=1)]
#df[df.notnull().all(axis=1)]

2.3. 替换 inf 和 -inf 成 NaN，再用dropna() 方法删除为空的数据

pandas中的dataframe对象，删除缺失值的方式：

df.dropna(how=‘all’) #删除所有内容均为缺失值的行
df.dropna(axis=1) #丢弃有缺失值的列
df.dropna(axis=1, how = ‘all’) #丢弃所有列中所有值均缺失的列

import pandas as pd
import numpy as np

df = pd.DataFrame('float': [1.3,5.2,np.inf],
                   'int': [1,8,None],
                   'datetime': [pd.Timestamp('2018-03-10'),pd.NaT,
                                pd.Timestamp('2019-05-10')],
                   'string': ['python','pandas','numpy'])
df['inf'] = df['float']/0
df

df.dropna(axis=1).head(3)

df.replace([np.inf, -np.inf], np.nan).dropna(axis=1).head(3)

或者：

将某1列（series格式）中的 inf 替换为数值

import numpy as np

df['Col'][np.isinf(df['Col'])] = -1

将某1列（series格式）中的 inf 替换为NA值

import numpy as np

df['Col'][np.isinf(df['Col'])] = np.nan

2.4. 用df.fillna(value=values) 将缺失的数据进行填充

填充缺失值：

fillna(method=‘ffill’/‘bfill’, # ffill向前填充；bfill向后填充。
axis=0/1 # 按行/列进行填充
)

例如：

data.fillna(0, inplace=True) # 填充0
data.fillna(method=‘ffill’) # 按列，向前进行填充
data.fillna(method=‘bfill’,axis=1) # 按照行，向后进行填充
data.fillna(data.mean()) # 填充平均值

import pandas as pd
import numpy as np

df = pd.DataFrame('A':[1,np.nan],
                   'B':[21,3],
                   'C':[4,5])
#制造inf
df['D'] = df['C']/0
print(df)
#替换正inf为NaN
df.replace(np.inf, np.nan, inplace=True)
df['E'] = -df['B']/0
print(df)
#替换正、负inf为0
df.replace([np.inf, -np.inf], 0, inplace=True)
#单列替换NaN为10
df['A'].fillna(10, inplace=True)
#替换NaN为0
df.replace(np.nan, 0, inplace=True)
print(df)