数据分析缺失值处理(Missing Values)——删除法、填充法、插值法

缺失值指数据集中某些变量的值有缺少的情况，缺失值也被称为NA（not available）值。在pandas里使用浮点值NaN（Not a Number）表示浮点数和非浮点数中的缺失值，用NaT表示时间序列中的缺失值，此外python内置的None值也会被当作是缺失值。需要注意的是，有些缺失值也会以其他形式出现，比如说用NULL，0或无穷大（inf）表示。

pip install d2l -i https://pypi.tuna.tsinghua.edu.cn/simple

import os
import pandas as pd

# 添加 测试数据
os.makedirs(os.path.join('.', 'data'), exist_ok=True)
data_file = os.path.join('.', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,NA,127500\n')
    f.write('2,D,A,106000\n')
    f.write('4,NA,NA,178100\n')
    f.write('NA,NA,B,14000\n')

# 读取 csv 数据
data = pd.read_csv(data_file)
print("\nCSV data => \n", data)
print("-" * 60)

# 检测缺失值
res_null = pd.isnull(data)
print("\nres_null => \n", res_null)
print("\nres_null.sum() => \n", res_null.sum())

# 通过位置索引iloc，将 data 分成 inputs、 outputs
inputs, outputs = data.iloc[:, 0:3], data.iloc[:, 3]

print("-" * 60)

简单，但是容易造成数据的大量丢失
1、删除全为空值的行或列

data=data.dropna(axis=0,how='all')   # 只删除【全行】为缺失值的行数据
data=data.dropna(axis=1,how='all')   # 只删除【全列】为缺失值的列数据

2、删除含有空值的行或列

data=data.dropna(axis=0,how='any')   # 只要【行】中有缺失值的，删除该【行】数据
data=data.dropna(axis=1,how='any')   # 只要【列】中有缺失值的，删除该列数据

axis ： {0或'index'，1或'columns'}，默认0

确定是否删除包含缺失值的行或列。
0或’index’：删除包含缺失值的行。
1或“列”：删除包含缺失值的列。
从0.23.0版开始不推荐使用：将元组或列表传递到多个轴上。只允许一个轴。

how ： {'any'，'all'}，默认为'any'

当我们有至少一个NA或全部NA时，确定是否从DataFrame中删除行或列。
'any'：如果存在任何NA值，则删除该行或列。
'all'：如果所有值均为NA，则删除该行或列。

thresh ： int，可选

需要许多非NA值。

subset ：类数组，可选

要考虑的其他轴上的标签，例如，如果要删除行，这些标签将是要包括的列的列表。

inplace ： bool，默认为False

如果为True，则对数据源进行生效

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=list('abcde'), columns=['one', 'two', 'three'])  # 随机产生5行3列的数据
print(df)

df.iloc[1, :] = np.nan  # 将指定数据定义为缺失
df.iloc[1:-1, 2] = np.nan
print("-" * 60)
print(df)

print("-" * 60)
print(df.dropna(axis=0))

import os
import pandas as pd

"""
删除法：
简单，但是容易造成数据的大量丢失
how = "any"  只要有缺失值就删除
how = "all"  只删除全行为缺失值的行
axis = 1 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征）, 默认值为：0
"""

# 添加 测试数据
data_file = os.path.join('.', 'data', 'house_tiny.csv')

"""
输入：
    NumRooms Alley  Test     Price
0       NaN  Pave   NaN  127500.0
1       2.0     D   NaN  106000.0
2       4.0   NaN   NaN  178100.0
3       NaN   NaN   NaN       NaN
输出：
    NumRooms Alley  Test     Price
0       NaN  Pave   NaN  127500.0
1       2.0     D   NaN  106000.0
2       4.0   NaN   NaN  178100.0
"""
print("-" * 60)
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,NA,127500\n')
    f.write('2,D,NA,106000\n')
    f.write('4,NA,NA,178100\n')
    f.write('NA,NA,NA,NA\n')
data = pd.read_csv(data_file)
print("\nCSV data => \n", data)
data.dropna(how="all", axis=0, inplace=True)
print("删除之后的结果，只删除全行为缺失值的行数据: \n", data)

"""
输入：
    NumRooms Alley  Test     Price
0       NaN  Pave   NaN  127500.0
1       2.0     D   NaN  106000.0
2       4.0   NaN   NaN  178100.0
3       NaN   NaN   NaN       NaN
输出：
    NumRooms Alley     Price
0       NaN  Pave  127500.0
1       2.0     D  106000.0
2       4.0   NaN  178100.0
3       NaN   NaN       NaN
"""
print("-" * 60)
data.dropna(how="all", axis=1, inplace=True)
print("删除之后的结果，只删除全列为缺失值的列数据: \n", data)

"""
输入：
    NumRooms Alley Test     Price
0       NaN  Pave    A  127500.0
1       2.0     D    E  106000.0
2       4.0   NaN  NaN  178100.0
3       NaN   NaN    B       NaN
输出：
    NumRooms Alley Test     Price
1       2.0     D    E  106000.0
"""
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,A,127500\n')
    f.write('2,D,E,106000\n')
    f.write('4,NA,NA,178100\n')
    f.write('NA,NA,B,NA\n')
data = pd.read_csv(data_file)
print("\nCSV data => \n", data)
print("-" * 60)
data.dropna(how="any", axis=0, inplace=True)
print("删除之后的结果，只要【行】中有缺失值的，删除该【行】数据: \n", data)

"""
输入：
    NumRooms Alley Test   Price
0       NaN  Pave    A  127500
1       2.0     D    E  106000
2       4.0   NaN    C  178100
3       NaN   NaN    B   14000
输出：
   Test   Price
0    A  127500
1    E  106000
2    C  178100
3    B   14000
"""
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,A,127500\n')
    f.write('2,D,E,106000\n')
    f.write('4,NA,C,178100\n')
    f.write('NA,NA,B,14000\n')
data = pd.read_csv(data_file)
print("\nCSV data => \n", data)
print("-" * 60)
data.dropna(how="any", axis=1, inplace=True)
print("删除之后的结果，只要【列】中有缺失值的，删除该列数据: \n", data)


"""
输入：
    NumRooms Alley Test   Price
0       NaN  Pave    A  127500
1       2.0     D    E  106000
2       4.0     C  NaN  178100
3       NaN   NaN    B   14000
输出：
    NumRooms Alley Test   Price
0       NaN  Pave    A  127500
1       2.0     D    E  106000

"""
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,A,127500\n')
    f.write('2,D,E,106000\n')
    f.write('4,C,NA,178100\n')
    f.write('NA,NA,B,14000\n')
data = pd.read_csv(data_file)
print("\nCSV data => \n", data)
print("-" * 60)
dt = data.dropna(subset=["Alley", "Test"])
print("删除之后的结果，删除 'Alley', 'Test': 有空值的行。\n", dt)

只要不影响数据分布或者对结果影响不是很大的情况
数值型 ——可以使用均值、众数、中位数来填充，也可以使用这一列的上下邻居数据来填充
类别数据(非数值型) ——可以使用众数来填充，也可以使用这一列的上下邻居数据来填充
使用众数来填充非数值型数据
fillna()：使用指定的方法填充NA/NaN值。
返回值：DataFrame 缺少值的对象已填充。不改变原序列值。
参数解释

• value ：scalar(标量), dict, Series, 或DataFrame
  用于填充孔的值（例如0），或者是dict / Series / DataFrame的值，
  该值指定用于每个索引（对于Series）或列（对于DataFrame）使用哪个值。
  不在dict / Series / DataFrame中的值将不被填充。该值不能是列表(list)。
• method ： {‘backfill’，‘bfill’，‘pad’，‘ffill’，None}，默认为None
  填充重新索引的系列填充板/填充中的holes的方法：
  将最后一个有效观察向前传播到下一个有效回填/填充：
  使用下一个有效观察来填充间隙。
• axis ： {0或’index’，1或’columns’}
  填充缺失值所沿的轴。
  inplace ： bool，默认为False
  如果为True，则就地填充。
  注意：这将修改此对象上的任何其他视图
  （例如，DataFrame中列的无副本切片）。
• limit ： int，默认值None
  如果指定了method，
  则这是要向前/向后填充的连续NaN值的最大数量。
  换句话说，如果存在连续的NaN数量大于此数量的缺口，
  它将仅被部分填充。如果未指定method，
  则这是将填写NaN的整个轴上的最大条目数
  如果不为None，则必须大于0。
• downcast ： dict，默认为None
  item-> dtype的字典，如果可能的话，将向下转换，
  或者是字符串“infer”，
  它将尝试向下转换为适当的相等类型
  （例如，如果可能，则从float64到int64）。

import os
import pandas as pd

# 添加 测试数据
data_file = os.path.join('.', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,NA,127500\n')
    f.write('2,D,NA,106000\n')
    f.write('4,NA,NA,178100\n')
    f.write('NA,NA,NA,NA\n')
data = pd.read_csv(data_file)
print("\nCSV data => \n", data)
print("-" * 60)
# 处理缺失值，替换法 - 用当前列的平均值，填充 NaN
# 通过位置索引iloc，将 data 分成 inputs、 outputs
inputs, outputs = data.iloc[:, 0:4], data.iloc[:, 3]
a = inputs.fillna(inputs.mean())
print("\ninputs.fillna => \n", a)
b = inputs.fillna(inputs.mean(), limit=1)
print("\ninputs.fillna => \n", b)

最常用的插值函数就是interp1d，按照字面意思理解就是插值一个一维函数。其必不可少的输入参数，就是将要被插值的函数的自变量和因变量，输出为被插值后的函数
而所谓插值，要求只能在特定的两个值之间插入，而对于超出定义域范围的值，是无法插入的
在无声明的情况下，插值方法默认是线性插值linear，如有其他需求，可变更kind参数来实现，可选插值方法如下：

• 样条插值：其0、1、2、3阶插值参数分别为zero、slinear、quadratic、cubic
• 返回单点：next和previous用于返回上一个或下一个值
• 最邻近插值：nearest采取向下取整；nearest-up采用向上取整。

import numpy as np
import matplotlib.pyplot as plt
import scipy.interpolate as si

x = np.arange(0, 10, 0.1)
y = np.sin(x)
plt.plot(x, y, 'o')
plt.show()


xnew = np.arange(0, 99)/10
f = si.interp1d(x, y)
ynew = f(xnew)  #调用经由interp1d返回的函数
plt.plot(x, y, 'o', xnew, ynew, '-')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import scipy.interpolate as si

x = np.arange(10)
y = np.sin(x)
plt.scatter(x[1:-1],y[1:-1])

xNew = np.arange(1,9,0.1)

ks = ['zero', 'slinear', 'quadratic', 'cubic']
cs = ['r', 'g', 'b', 'gray']

for i in range(4):
    f = si.interp1d(x,y,kind=ks[i])
    plt.plot(xNew, f(xNew), c=cs[i])

plt.show()

下图中，红、绿、蓝、灰分别代表0到3次插值，可见，尽管只有10个点，但分段的二次函数已经描绘出了三角函数的形状，其插值效果还是不错的。

import numpy as np
from scipy.interpolate import interp1d
from scipy.interpolate import lagrange
# 插值法
# 线性插值 ——你和线性关系进行插值
# 多项式插值 ——拟合多项式进行插值
# 拉格朗日多项式插值、牛顿多项式插值

# 样条插值 ——拟合曲线进行插值
# 对于线型关系，线型插值，表现良好，多项式插值，与样条插值也表现良好
# 对于非线型关系，线型插值，表现不好，多项式插值，与样条插值表现良好
# 推荐如果想要使用插值方式，使用拉格朗日插值和样条插值
x = np.array([1, 2, 3, 4, 5, 8, 9])
y = np.array([3, 5, 7, 9, 11, 17, 19])
z = np.array([2, 8, 18, 32, 50 ,128, 162])

# 线型插值
linear_1 = interp1d(x=x, y=y, kind="linear")
linear_2 = interp1d(x=x, y=z, kind="linear")
linear_3 = interp1d(x=x, y=y, kind="cubic")


print("线性插值: \n", linear_1([6, 7])) # [13. 15.]  注意不是1是第一个索引
# print("线性插值: \n", linear_1([5, 6])) # [11. 13.]
print("线性插值: \n", linear_2([6, 7])) # [76. 102]
print("线性插值: \n", linear_3([6, 7])) # [76. 102]

# 拉格朗日插值
la_1 = lagrange(x=x, w=y)
la_2 = lagrange(x=x, w=y)

print("拉格朗日: \n",  la_1)  # [13, 15]
print("拉格朗日: \n",  la_2)  # [72, 98]

转换为张量格式

import os
import pandas as pd
import numpy as np
import paddle


data_file = os.path.join('.', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Test,Price\n')
    f.write('NA,Pave,NA,127500\n')
    f.write('2,D,NA,106000\n')
    f.write('4,NA,NA,178100\n')
    f.write('NA,NA,NA,NA\n')
data = pd.read_csv(data_file)

# 对于非NaN类型的数据——先将非NaN类型的数据转化为np.nan
data.replace("*", np.nan, inplace=True)
print("data: \n", data)
print(type(np.nan))


inputs, outputs = data.iloc[:, 0:4], data.iloc[:, 3]
print("-" * 60)
# 把离散的类别信息转化为 one-hot 编码形式
inputs = pd.get_dummies(inputs, dummy_na=True)
print("\none-hot => \n", inputs)

# 转换为张量格式
x, y = paddle.to_tensor(inputs.values), paddle.to_tensor(outputs.values)
print("\n to_tensor => \n", x, y)