获取文中的 CSV 文件 用于代码编程 以及文章首发地址，请点击下方超链接

获取 CSV，用于编程调试请点这

在本文中，咱们将应用 Python 的Pandas库逐渐实现许多不同的数据清理工作。具体而言，咱们将重点关注可能是最大的数据清理工作，即 短少值。

缺失值的起源

在深入研究代码之前，理解失落数据的起源很重要。这是数据失落的一些典型起因：

• 用户遗记填写字段。
• 从旧版数据库手动传输时，数据失落。
• 产生编程谬误。
• 用户抉择不填写字段。

其中一些起源只是简略的随机谬误。在其余时候，可能会有更深层的起因导致数据失落。

筹备工作

在开始清理数据集之前，最好先大抵理解一下数据。

• 有哪些性能？
• 预期的类型是什么（int，float，string，boolean）？
• 是否有显著的缺失数据（熊猫能够检测到的值）？
• 是否还有其余类型的失落数据不太显著（无奈通过 Pandas 轻松检测到）？

了阐明我的意思，让咱们开始钻研示例。

咱们要应用的数据是十分小的房地产数据集。获取 CSV 文件。你能够单击此处获取, 以便能够进行编码。

疾速浏览一下数据：

疾速理解数据的一种好办法是查看前几行。在 Pandas 中，你要编写以下代码：

# Importing libraries
import pandas as pd
import numpy as np

# Read csv file into a pandas dataframe
df = pd.read_csv("property data.csv")

# Take a look at the first few rows
print df.head()

Out:
   ST_NUM    ST_NAME OWN_OCCUPIED  NUM_BEDROOMS
0   104.0     PUTNAM            Y           3.0
1   197.0  LEXINGTON            N           3.0
2     NaN  LEXINGTON            N           3.0
3   201.0   BERKELEY          NaN           1.0
4   203.0   BERKELEY            Y           3.0

我晓得我说过咱们将应用Pandas，然而能够看到我也应用了Numpy。稍后咱们将应用它来重命名一些缺失的值。

导入库后，咱们将 csv 文件读取到 Pandas 数据框中。

应用该办法，咱们能够轻松看到前几行。(应用 .head() 办法)

从列名称中推断出以下字符组非常容易：

• ST_NUM：街道号码
• ST_NAME：街道名称
• OWN_OCCUPIED：住所所有人是否被占用
• NUM_BEDROOMS：卧室数

咱们还能够进行设置，获取的数据类型是啥？

• ST_NUM：float 或 int…某种数字类型
• ST_NAME：细绳
• OWN_OCCUPIED：字符串…Y（“是”）或 N（“否”）
• NUM_BEDROOMS：float 或 int，数字类型

规范缺失值

“规范缺失值”是什么意思？这些是 Pandas 能够检测到的缺失值。

回到咱们的原始数据集，让咱们看一下“ST_NUM”列。

第三列中有一个空单元格。在第七行中，有一个“NA”值。

显然，这些都是缺失值。让咱们看看 Pandas 如何解决这些问题

# 查看 ST_NUM 列
print df['ST_NUM']
print df['ST_NUM'].isnull()

# 查看 ST_NUM 列
Out:
0    104.0
1    197.0
2      NaN
3    201.0
4    203.0
5    207.0
6      NaN
7    213.0
8    215.0

Out:
0    False
1    False
2     True
3    False
4    False
5    False
6     True
7    False
8    False

看一下该列，咱们能够看到 Pandas 在空白处填充了“ NA”。应用该办法，咱们能够确认缺失值和“NA”都被辨认为缺失值。两个布尔响应均为。isnull() 和True

这是一个简略的示例，但强调了一个重点。Pandas会将空单元格和“ NA”类型都辨认为缺失值。上面，我将介绍一些 Pandas 无奈辨认的类型。

非标准缺失值

有时可能是短少具备不同格局的值的状况。

让咱们看一下“Number of Bedrooms”一栏，理解我的意思。

在此列中，有四个缺失值。

• n/a
• NA
• —
• na

从下面中，咱们晓得 Pandas 会将“NA”辨认为缺失值，但其余的状况呢？让咱们来看看。

# 看 NUM_BEDROOMS 这一栏
print df['NUM_BEDROOMS']
print df['NUM_BEDROOMS'].isnull()

Out:
0      3
1      3
2    n/a
3      1
4      3
5    NaN
6      2
7     --
8     na

Out:
0    False
1    False
2    False
3    False
4    False
5     True
6    False
7    False
8    False

就像以前一样，Pandas认为“NA”是缺失的价值。可怜的是，其余类型未被辨认。

如果有多个用户手动输出数据，则这是一个常见问题。兴许我喜爱应用“ n / a”，然而其他人喜爱应用“na”。

检测这些各种格局的一种简略办法是将它们放在列表中。而后，当咱们导入数据时，Pandas会立刻辨认出它们。这是咱们将如何执行此操作的示例。

# 列出缺失的值类型
missing_values = ["n/a", "na", "--"]
df = pd.read_csv("property data.csv", na_values = missing_values)

当初，让咱们再看一下该栏，看看会产生什么。

# 看 NUM_BEDROOMS 这一栏
print df['NUM_BEDROOMS']
print df['NUM_BEDROOMS'].isnull()

Out:
0    3.0
1    3.0
2    NaN
3    1.0
4    3.0
5    NaN
6    2.0
7    NaN
8    NaN

Out:
0    False
1    False
2     True
3    False
4    False
5     True
6    False
7     True
8     True

上面中，咱们将介绍一种更简单但很常见的缺失值类型。

意外的缺失值

到目前为止，咱们曾经看到了规范缺失值和非标准缺失值。如果咱们出现意外类型怎么办？

例如，如果咱们的性能应该是字符串，然而有数字类型，那么从技术上讲，这也是一个缺失值。

让咱们看一下“Owner Occupied**”一栏，看看我在说什么。

从后面的示例中，咱们晓得 Pandas 将检测到第 7 行中的空单元格为缺失值。让咱们用一些代码进行确认。

# 查看 OWN_OCCUPIED 列
print df['OWN_OCCUPIED']
print df['OWN_OCCUPIED'].isnull()

# 查看 OWN_OCCUPIED 列
Out:
0      Y
1      N
2      N
3     12
4      Y
5      Y
6    NaN
7      Y
8      Y

Out:
0    False
1    False
2    False
3    False
4    False
5    False
6     True
7    False
8    False

在第四行中，数字为 12。Owner Occupied的响应显然应该是字符串 （Y 或 N），因而此 数字类型应为缺失值。

这个示例略微简单一点，因而咱们须要思考一种策略来检测这些类型的缺失值。有很多不同的办法，然而这是我要通过这种办法工作的形式。

• 遍历 OWN_OCCUPIED 列
• 尝试将条目转换为整数
• 如果条目能够更改为整数，请输出缺失值
• 如果数字不能是整数，咱们晓得它是一个字符串，所以持续

看一下代码，而后我将对其进行具体介绍

# 检测数据
cnt=0
for row in df['OWN_OCCUPIED']:
    try:
        int(row)
        df.loc[cnt, 'OWN_OCCUPIED']=np.nan
    except ValueError:
        pass
    cnt+=1

在代码中，咱们循环浏览“所有者已占用”列中的每个条目。要尝试将条目更改为整数，咱们应用。int(row)

如果能够将值更改为整数，则能够应用 Numpy's 将条目更改为短少的值。np.nan

另一方面，如果不能将其更改为整数，咱们 pass 将持续。

您会留神到我应用 try 和except ValueError。这称为异样解决，咱们应用它来处理错误。

如果咱们尝试将一个条目更改为一个整数并且无奈更改，则将ValueError 返回 a ，并且代码将进行。为了解决这个问题，咱们应用异样解决来辨认这些谬误，并持续进行上来。

代码的另一个重要局部是 .loc 办法。这是用于批改现有条目标首选 Pandas 办法。无关此的更多信息，请查看 Pandas 文档。

当初，咱们曾经钻研了检测缺失值的不同办法，上面将概述和替换它们。

总结缺失值

革除缺失的值后，咱们可能要对它们进行汇总。例如，咱们可能要查看每个性能的缺失值总数。

# Total missing values for each feature
print df.isnull().sum()

Out:
ST_NUM          2
ST_NAME         0
OWN_OCCUPIED    2
NUM_BEDROOMS    4

在更多的时候，咱们可能须要进行疾速查看，以查看是否基本短少任何值。

# Any missing values?
print df.isnull().values.any()

Out:
True

咱们可能还心愿取得缺失值的总数。

# Total number of missing values
print df.isnull().sum().sum()

Out:
8

在下面，咱们总结了缺失值的数量，让咱们看一下如何进行一些简略的替换。

更换

通常，您必须弄清楚如何解决缺失值。

有时，您只是想删除这些行，而其余时候，您将替换它们。

正如我之前提到的，这不应该漫不经心。咱们将介绍一些根本的推论。

# 用一个数字替换缺失的值
df['ST_NUM'].fillna(125, inplace=True)

如果进行基于地位的插补。

# 基于地位的更换
df.loc[2,'ST_NUM'] = 125

替换缺失值的一种十分常见的办法是应用中位数。

# 取代应用中位数
median = df['NUM_BEDROOMS'].median()
df['NUM_BEDROOMS'].fillna(median, inplace=True)