在 Pandas DataFrame 中用 None 替换无效值

Posted 2023-03-11

【中文标题】在 Pandas DataFrame 中用 None 替换无效值

【英文标题】：Replace invalid values with None in Pandas DataFrame

【发布时间】：2013-06-10 10:31:51

【问题描述】：

有没有什么方法可以在 Python 的 Pandas 中用None 替换值？

您可以使用df.replace('pre', 'post') 并且可以将一个值替换为另一个值，但是如果您想用None 值替换，则无法这样做，如果您尝试这样做，您会得到一个奇怪的结果。

下面是一个例子：

df = DataFrame(['-',3,2,5,1,-5,-1,'-',9])
df.replace('-', 0)

返回一个成功的结果。

但是，

df.replace('-', None)

返回以下结果：

0
0   - // this isn't replaced
1   3
2   2
3   5
4   1
5  -5
6  -1
7  -1 // this is changed to `-1`...
8   9

为什么会返回这么奇怪的结果？

由于我想将此数据框倒入 mysql 数据库中，因此我不能将 NaN 值放入数据框中的任何元素中，而是要放入 None。当然，您可以先将'-' 更改为NaN，然后将NaN 转换为None，但我想知道为什么数据框会以如此糟糕的方式运行。

在 Python 2.7 和 OS X 10.8 上的 pandas 0.12.0 dev 上测试。 Python 是一个 OS X 上的预安装版本，我使用 SciPy 安装了 pandas Superpack 脚本，供您参考。

【问题讨论】：

write_frame 不会将NaNs 解析为nones 吗？

是的。您遇到InternalError: (1054, u"Unknown column 'nan' in 'field list'") 错误。除了在执行write_frame 方法之前将NaN 转换为None 之外，我不知道任何解决方案。

你用的是什么版本的熊猫？

Scipy 超级包发布开发？好的，我绝对认为你应该 raise this as an issue on github，不应该太难修复。

如果您从 CSV/Excel 读取此数据，您可以使用 na_values 参数将这些值读取为 NaN。 More information in this answer.

【参考方案1】：

实际上在更高版本的 pandas 中，这会产生 TypeError：

df.replace('-', None)
TypeError: If "to_replace" and "value" are both None then regex must be a mapping

您可以通过传递列表或字典来做到这一点：

In [11]: df.replace('-', df.replace(['-'], [None]) # or .replace('-', 0: None)
Out[11]:
      0
0  None
1     3
2     2
3     5
4     1
5    -5
6    -1
7  None
8     9

但我建议使用 NaN 而不是 None：

In [12]: df.replace('-', np.nan)
Out[12]:
     0
0  NaN
1    3
2    2
3    5
4    1
5   -5
6   -1
7  NaN
8    9

【讨论】：

或者只是一个列表，例如df.replace(['-'], [None])，或df.replace('-': None)，我想。使用None 作为哨兵也排除了将其用作值..

@user2360798 replace 实际上是一个功能非常丰富（读取复杂）的功能，不过(dev)docstring 确实不错。

我不知道这是否明显，但必须将df 分配回自身，例如：df = df.replace('?': np.nan)

@AndyHayden df.replace('-', df.replace(['-'], [None]) 看起来很时髦，是错字吗？

@lin_bug 虽然它似乎在最近的熊猫版本中不再有效。 df.where(df!='-', None) 有效

【参考方案2】：

where 可能是您正在寻找的。所以

data=data.where(data=='-', None) 

来自panda docs：

where [返回] 一个与 self 形状相同的对象，其对应条目来自 self ，其中 cond 为 True，否则来自 other）。

【讨论】：

这实际上是不准确的。 data=data.where(data=='-', None) 将用 None 替换任何不等于 '-' 的内容。 Pandas 版本 where 保留第一个 arg 的值（在本例中为 data=='-'），并用第二个 arg 替换其他任何内容（在本例中为 None）。这有点令人困惑，因为 np.where 更明确，因为它在第一个 arg 中询问条件，然后在第二个 arg 中询问 if true，然后在第三个 arg 中询问 if false。

【参考方案3】：

我更喜欢使用replace 和dict 的解决方案，因为它简单而优雅：

df.replace('-': None)

你也可以有更多的替代品：

df.replace('-': None, 'None': None)

即使对于较大的替换，用什么替换什么总是显而易见的——在我看来，这对于长列表来说更难。

【讨论】：

值得注意的是，这种技术之所以有效，部分原因是在to_replace 中使用dict 类型会导致method 参数不被评估，因此method='pad' 默认值没有不良影响。

【参考方案4】：

df = pd.DataFrame(['-',3,2,5,1,-5,-1,'-',9])
df = df.where(df!='-', None)

【参考方案5】：

设置空值可以通过np.nan:

import numpy as np
df.replace('-', np.nan)

优点是df.last_valid_index() 将这些识别为无效。

【参考方案6】：

在继续这篇文章之前，了解the difference between NaN and None很重要。一个是浮点类型，另一个是对象类型。 Pandas 更适合使用标量类型，因为这些类型的许多方法都可以向量化。 Pandas 确实尝试一致地处理 None 和 NaN，但 NumPy 不能。

我的建议 (and Andy's) 是坚持使用 NaN。

但是要回答你的问题...

pandas >= 0.18：使用na_values=['-'] 参数和read_csv

如果您从 CSV/Excel 加载此数据，我有个好消息要告诉您。您可以在数据加载期间从根目录取消它，而不必在后续步骤中使用代码编写修复程序。

大多数pd.read_* 函数（例如read_csv 和read_excel）都接受na_values 属性。

file.csv

A,B
-,1
3,-
2,-
5,3
1,-2
-5,4
-1,-1
-,0
9,0

现在，要将 - 字符转换为 NaN，请执行以下操作，

import pandas as pd
df = pd.read_csv('file.csv', na_values=['-'])
df

     A    B
0  NaN  1.0
1  3.0  NaN
2  2.0  NaN
3  5.0  3.0
4  1.0 -2.0
5 -5.0  4.0
6 -1.0 -1.0
7  NaN  0.0
8  9.0  0.0

其他函数/文件格式也类似。

P.S.：在 v0.24+ 上，即使您的列有 NaN，您也可以保留整数类型（是的，谈论吃蛋糕和吃蛋糕）。你可以指定dtype='Int32'

df = pd.read_csv('file.csv', na_values=['-'], dtype='Int32')
df

     A    B
0  NaN    1
1    3  NaN
2    2  NaN
3    5    3
4    1   -2
5   -5    4
6   -1   -1
7  NaN    0
8    9    0

df.dtypes

A    Int32
B    Int32
dtype: object

dtype 不是传统的 int 类型...而是Nullable Integer Type. 还有其他选项。

---

处理数字数据：pd.to_numeric 和 errors='coerce

如果您正在处理数字数据，更快的解决方案是使用 pd.to_numeric 和 errors='coerce' 参数，它将无效值（不能转换为数字的值）强制转换为 NaN。

pd.to_numeric(df['A'], errors='coerce')

0    NaN
1    3.0
2    2.0
3    5.0
4    1.0
5   -5.0
6   -1.0
7    NaN
8    9.0
Name: A, dtype: float64

要保留（可为空的）整数 dtype，请使用

pd.to_numeric(df['A'], errors='coerce').astype('Int32')

0    NaN
1      3
2      2
3      5
4      1
5     -5
6     -1
7    NaN
8      9
Name: A, dtype: Int32 

要强制多列，请使用apply:

df[['A', 'B']].apply(pd.to_numeric, errors='coerce').astype('Int32')

     A    B
0  NaN    1
1    3  NaN
2    2  NaN
3    5    3
4    1   -2
5   -5    4
6   -1   -1
7  NaN    0
8    9    0

...然后将结果分配回去。

更多信息可以在this answer找到。

【参考方案7】：

使用替换并分配一个新的df：

import pandas as pd
df = pd.DataFrame(['-',3,2,5,1,-5,-1,'-',9])
dfnew = df.replace('-', 0)
print(dfnew)


(venv) D:\assets>py teste2.py
   0
0  0
1  3
2  2
3  5
4  1
5 -5

【参考方案8】：

df.replace('-', np.nan).astype("object")

这将确保您以后可以在数据帧上使用isnull()

【参考方案9】：

对于 Pandas 版本 ≥1.0.0，我会使用 DataFrame.replace 或 Series.replace：

df.replace(old_val, pd.NA, inplace=True)

这更好有两个原因：

它使用pd.NA 而不是None 或np.nan。 它可以选择就地工作，这可能会根据内部实现更有效地使用内存。