pandas解决数据缺失、重复的方法与实践

1. 数据缺失

常见的数据缺失是指一条数据记录中，某个数据项没有值，延申到实际应用中，还有一种时间序列的缺失，例如按整点采集数据，缺少某一时刻的数据（缺少一整行数据）。

解决方法，如果不删除数据，一般进行插值处理，常见的补0，或者某个经验值，更科学的方法是线性插值，或者更复杂的算法。

1.1. 时间序列补充

例如，给定某个时间序列（逐时），中间缺少3点数据，插值补充，并扩充数据到间隔半个小时。

代码 1.

import pandas as pd

key = ['getTime','temp','text','humidity']
data = [['2023-04-30T00:00',7,'晴',57],
        ['2023-04-30T01:00',6,'晴',58],
        ['2023-04-30T02:00',6,'阴',55],
        ['2023-04-30T04:00',4,'晴',50]]
df = pd.DataFrame(data,columns=key)
df.index = df['getTime'].astype('datetime64')

补充时间序列，同时对数值列进行线性插值。

代码 2.

df1 = df.resample('30min').interpolate(method='linear') 

注意：补充时间序列，需要DataFrame中的index是时间序列。

或者，新建时间序列表，再通过pd.merge关联补足缺失时序。

代码 3.

times = pd.date_range('2023-04-30 00:00', '2023-04-30 04:59', freq='1h') # 与上文采用标准国际时间 UTC
# times = pd.date_range('2023-04-30 00:00', '2023-04-30 04:59', freq='1h', tz='Asia/Shanghai')
df0 = pd.DataFrame(index=times)
df0 = pd.merge(left=df0,right=df,left_index=True,right_index=True,how='left')

1.2. 数据项缺失

1.2.1. 线性插值

代码 4.

df0[['temp','humidity']] = df0[['temp','humidity']].interpolate(method='linear')  

或者，直接在时间序列补充时，线性插值，详见代码 2。

1.2.2. 复制上一条数据

如果是非数值型数据，可以采用复制上一条数据内容，同理，数值型也满足。

代码 5.

df0[['text','getTime']] = df0[['text','getTime']].fillna(method='ffill') 

1.2.3. 空值填充

例如，针对代码 3的结果进行填充空值“6”。

代码 6.

df0.fillna(6, inplace=True) 

2. 删除重复数据行

首先，构建重复数据，合并同一张表。

代码 7.

# 合并同表前两条记录
df2 = pd.concat([df,df.head(2)])

其中，head(2)是取表中前两条记录。

2.1. 删除完全重复的行

删除重复记录。

代码 8.

df2 = df2.drop_duplicates()

注意：这个是删除完全相同的数据。

2.2. 删除重复数据项

按某列（可以多个）进行去重，对于重复项，保留第一次出现的值。

代码 9.

df2 = df2.drop_duplicates('text',keep='first')

df.drop_duplicates(subset=[‘A’,‘B’,‘C’],keep=‘first’,inplace=True)
参数说明如下：

• subset：表示要进去重的列名，默认为 None。
• keep：有三个可选参数，分别是 first、last、False，默认为 first，表示只保留第一次出现的重复项，删除其余重复项，last 表示只保留最后一次出现的重复项，False 则表示删除所有重复项。
• inplace：布尔值参数，默认为 False 表示删除重复项后返回一个副本，若为 Ture 则表示直接在原数据上删除重复项。

3. 按条件修改数据

按条件修改部分数据值，常用方法是apply()调用函数处理，也可以直接使用loc定位索引进行修改数据，引用代码 1产生的结果。

本文采用loc方式，按条件修改数据。

代码 10.

df.loc[df.loc[(df.index>=pd.to_datetime('2023-04-30 01:00')) ].index,
        ['temp','humidity']] = df[['temp','humidity']].loc[(df.index>=pd.to_datetime('2023-04-30 01:00')) ]+10

按索引，具体列为查询条件都可以。

4. 发现空值及处理

4.1. 空值查询

查询出空值，并替换同行数据中的另一项数据，例如：查询代码 2的结果集，查询“text”为空时的“temp”值，由“humidity”的值替换。

代码 11.

df1.loc[df1[df1['text'].isnull()].index,'temp'] = df1['humidity'].loc[df1['text'].isnull()]

依据查询代码 2的结果集，查询非空数据。

代码 12.

df1 = df1.loc[~df1['text'].isnull()]

其中，~ 表示取反符号，.isnull() 方法用于判断是否为空。

4.2. 删除空值

依据查询代码 2的结果集，删除空值的数据行。

代码 13.

df1 = df1.dropna()