Pandas 数据清洗常用篇

一.缺失值

sklearn中的preprocessing下游imputer，可进官方文档参考。这里主讲pandas。
拿到数据，一般先检查是否有缺失值，用isnul()或notnull().
再决定dropna()，还是fillna()。

1.1 检查是否有缺失值 isnull()、notnull()

import pandas as pd
import numpy as np
df = pd.DataFrame({"col_1":[1, 2, 3, 666, 1480],
                  "col_2":[125, 999, 110, np.nan, 300],
                  "col_3":[1389, np.nan, np.nan, np.nan, 0]})
df

	col_1	col_2	col_3
0	1	125.0	1389.0
1	2	999.0	NaN
2	3	110.0	NaN
3	666	NaN	NaN
4	1480	300.0	0.0

df.isnull()    #询问每一个值是不是为NaN.

	col_1	col_2	col_3
0	False	False	False
1	False	False	True
2	False	False	True
3	False	True	True
4	False	False	False

df.notnull()   #询问每一个值是不是不为NaN，跟上面的相反就是了

	col_1	col_2	col_3
0	True	True	True
1	True	True	False
2	True	True	False
3	True	False	False
4	True	True	True

1.2 假设要删除缺失值dropna()

考虑如何删，删行？删列？还是缺失多少个才删？
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

• axis:决定删行删列，默认axis=0,删行；删列要修改axis=1.
• how:决定怎么删，至少有一个NaN就删，还是全是NaN才删。default "any",只要有NA，马上删掉该行或该列。"all",全是NA时才删掉这一行或一整列。
• thresh : 设置该行或列至少有多少个非NA值才能保留下来，有点拗口。输入整数，这个参数有必要才设置，没有就不用管。
• subset : array-like, optional
  Labels along other axis to consider, e.g. if you are dropping rows these would be a list of columns to include.
• inplace : 是否直接取代原数据框，默认False，所以我们真要除去行列，会inplace=True,或者给它新赋值到一个变量中。

df.dropna()

	col_1	col_2	col_3
0	1	125.0	1389.0
4	1480	300.0	0.0

ing~~~