Python 教学 | Pandas 缺失值与重复值的处理方法

 目录前言一、缺失值都有哪些二、如何处理缺失值    1.缺失值的识别    2.缺失值的处理方式
三、重复值的处理    1.检测重复值    2.删除重复值总结Python教程全文共5480个字，阅读约需14分钟，欢迎指正！

前言

数据清洗是数据分析和数据建模过程中重要步骤，关系到数据的质量，而数据的质量又关系到数据分析或建模的结果，为了避免出现 “Garbage In, Garbage Out” 现象，在进行几乎任何数据分析之前，都有必要进行数据清洗，而缺失值和重复值则是最常出现的数据问题。除了以上这些，我们在使用社科类数据，或者转换、处理数据时难免也会遇到不“干净”的数据，所以本期文章我们就来向大家介绍使用 Pandas 处理数据缺失值和重复值的方法。

一、缺失值都有哪些

在 Excel 表中，没有内容的单元格可以被认为是一个缺失值。而在 Python 中，任何对象都是一个数据，包括空值，但与 Excel 表不同的是，在 Python 中存在不止一种空值，下面我们通过下表简单认识一下 Python 中以及 Pandas 中的空值（缺失值）。

空值	在 Python 中的表示
NaN	numpy.nan / numpy.NaN，由于导入numpy库时常常起别名为 “np”，所以实际使用时为 np.nan或np.NaN
None	None，Python 自带的空值
NA /<NA>	pandas.NA，由于导入pandas库时常常起别名为 “pd”，所以实际使用时为 pd.NA
NaT	pandas.NaT，时间类型空值，可表示为 pd.NaT

1. NaN，“Not a Number” 的缩写，它是一种特殊的数据类型，用于表示缺失或无效的数值。它是 Numpy库中的常量，可以表示为 numpy.nan，和 Python 中的浮点数一样，numpy.nan 的类型也是float。由于 Pandas 是基于 Numpy 库开发的，所以 Pandas 中空值也就使用 numpy.nan 来表示。Pandas 读取表格数据时，会默认将表格中的空值转为 numpy.nan，如下图所示。

1. None 是 Python 语言自带的一个空值，由于 Pandas 中默认的空值是 NaN，所以空值 None 很少出现，但是在读取 pdf 表格等跨第三方库转换、处理表格时，表中的空值一般会表示且显示为 None。
2. NA 是 Pandas 库中的用于表示空值的对象，表示为 pd.NA。与 NaN 对象不同的是，pd.NA 的类型不是 float，一般不会影响同一个字段中的其他数值。
3. NaT，“Not a Time” 的缩写，表示时间戳中的缺失值。如果表格数据中的一列是日期类型，那么使用 Pandas 读取后，该列的缺失值会被表示为 pd.NaT。

二、如何处理缺失值

先使用 pandas 读取演示用的数据。

import numpy as np
import pandas as pd
data = pd.read_excel('./工业企业数据15条.xlsx')
data

1. 缺失值的识别

要处理缺失值，首先要查看数据中缺失值的分布情况，在 Pandas 中，可以使用一行代码查看表中每一列中缺失值的数量或比例。

## 查看每一列缺失值的数量
data.isna().sum()

## 查看每一列缺失值的占比
data.isna().mean()

注意，如果需要在循环中处理数据，不要使用比较的方式来判断一个值是不是缺失值，因为 Pandas 中默认的缺失值 np.nan 与任何值（包括它本身）相比较得到的都是 False，即 np.nan 不等于任何值。想要判断一个值是不是空值，可以使用专门的函数，Pandas 中的 isna()函数和notna()函数可以用来判断一个对象是不是空值。

## pd.isna() 函数，若传入的值是空值就返回 False,否则返回 True
print(pd.isna(1993))     # False
print(pd.isna(np.nan))   # True

## pd.notna() 函数，若传入的值是空值就返回 True,否则返回 False
print(pd.notna(''))      # True
print(pd.notna(None))    # False , 注意：空字符、空格符等在 Python 中不是空值

2. 缺失值的处理方法

（1）缺失值填充

缺失值的处理方法需要根据缺失值出现的原因，数据的用途来决定。很多时候缺失值的出现是正常的，比如企业数据中某企业缺失注吊销时间，这说明该企业可能处于存续状态（本就没有注吊销时间），那么此时不对“缺失值”做任何操作就是最好的处理方式。

在一些机器学习领域的数据预处理中，当部分“特征”（即指标）缺失时，这一条数据的其他特征仍然是有价值的，所以我们可以根据实际情况对这部分缺失的数据做填充操作，常见的填充方法有均值填充、中位数填充以及一些插值填充（主要针对内容为数值的特征）。在 Pandas 中，主要使用fillna()函数来填充缺失值，它可以将表中的缺失值替换为我们指定的数据值，既可以一次性对整张表做填充操作，也可以对某一列做填充操作。下面是fillna()函数的使用方法。

## 注意，在没有设置参数 inplace=True 或重新赋值的情况下，
## fillna() 函数不会直接修改原始数据，而是返回一个处理后的新对象

## 均值填充法填充“资产总计(万元)”字段，只做演示用，这样做实际上没有任何意义
value_mean = data['资产总计(万元)'].mean()           # 得出“资产总计(万元)”字段的平均值
# 下面填充缺失值，这里是重新赋值操作，将会修改原数据
data['资产总计(万元)'] = data['资产总计(万元)'].fillna(value_mean)   
data       # 查看填充后的数据

如果希望使用中位数进行填充，那么上述代码中的.mean()替换为.median()即可。如果希望使用其它值进行填充，只需将要填充的值传入fillna()函数即可。

注意：这里的缺失值填充方法针对的是机器学习训练数据，实际应用中不建议直接套用在统计数据上，要根据缺失值出现的原因、数据的用途等“对症下药”。

除了在数据预处理中需要填充缺失值，很多时候为了保持数据一致性也要对数据进行填充。举个例子，我们想要从上图所示的数据中筛选出“企业名称”中包含关键词“北京”的数据，我们使用下面的数据筛选代码，但是却得到了一个报错。

data[data['企业名称'].str.contains('北京')]

这个报错大概意思就是企业名称字段中缺失值 NA 或 NaN 无法参与字符串的“包含”运算，所以为了不让空值 NaN 影响字符运算，我们常用的方法就是使用空字符''去填充缺失值，这样做既可以保证数据类型一致性，而且空字符虽然不是严格意义上的空值，但是具有空值的含义，因此在许多数据处理操作之前都需要将表中的空值填充为空字符，代码如下。

## 将一个字段中的空值填充为空字符
# 方法 1 
data['企业名称'].fillna('', inplace=True)
# 方法 2
data['企业名称'] = data['企业名称'].fillna('')

## 将整张表中的缺失值填充为空字符
# 方法 1
data.fillna('', inplace=True)
# 方法 2
data = data.fillna('')

（2）缺失值删除

当一条数据缺失关键信息，或者缺失值过多时，那么这条数据存在的价值就不高了，此时可以选择将这些数据删除。Pandas 一般使用dropna()函数来删除缺失值，既可以用来删除行数据，也可以用来删除列数据，该函数常用的参数如下表所示。

参数名称	可用的值	描述
axis	0 或 1	默认值为 0，为 0 时，删除的是数据行；为 1 时删除的是数据列
how	'any' 或 'all'	默认值为 'any' ，表示只要行/列中存在缺失值，那么整行/列就会被删除；参数值为 'all' 时，只有当行/列中所有值都是空值的时候才会被删除。
subset	字段名称列表	根据哪些字段做删除操作，默认是全部字段
thresh	数字	数据行/列不被删除时，该行/列中非缺失值个数的最小值。举个例子，当参数thresh=4，那么一行数据中含有至少 4 个非缺失值时才不会被删除。指定thresh参数后，how 参数将会失效

下面我们就来介绍一下如何使用 Pandas 中的dropna()函数删除缺失值。

【场景1】删除含有缺失值的数据行

## 先重新读取演示数据
data = pd.read_excel('./工业企业数据15条.xlsx')

# 删除含有缺失值的数据行
data.dropna(axis=0, how='any') # 这两个参数都可以省略不写，因为参数值都是默认值

【场景2】删除企业名称、成立年份和行业门类名称这三个字段中存在缺失值的数据行

# 删除企业名称、成立年份和行业门类名称这三个字段中存在缺失值的数据行
# 前两个参数都可以省略不写，因为都是默认值
data.dropna(axis=0, how='any', subset=['企业名称', '成立年份', '行业门类名称'])

【场景3】删除缺失值数量大于 3 个的数据列

# 删除缺失值数量大于 3 个的数据列
data.dropna(axis=1, thresh=data.shape[1]-3)

三、重复值的处理

先从前面的数据中抽取几行数据，作为演示处理重复值得数据

data_test = data.loc[[0,0,1,1,2], :]
data_test

1. 检测重复值

Pandas 中用于检测重复值的函数是 duplicated()，只能用来检测重复的数据行，该函数的主要参数和作用如下表所示。

参数名称	参数取值	描述
subset	字段名称列表	根据哪些字段做重复值检测操作，默认是全部字段
keep	'first'、'last' 或 False	默认值为'first'，为'first'时，如果存在多行（大于等于2）数据完全一样，那么只有所有重复行的第一行不会被标记为重复行；为'last'时则只有最后一行不会被标记为重复行；当为False时，所有重复行都会被标记为重复行。

duplicated() 函数的返回值是一个 Series，重复的行会被标记为 True, 非重复行会被标记为 False。查找所有重复行的代码和结果如下。

# 查找所有重复的数据行，首次出现的数据行不计入其中
data_test.duplicated(keep='first')

而想要直接得到重复的数据行，则需要借助数据筛选功能，将上述代码视作数据筛选的条件表达式即可，代码如下（注意，修改了参数）。

# 找出所有重复的数据行，并返回重复数据
data_test[data_test.duplicated(keep=False)]

使用上述代码得到了存在重复的所有数据行。

2. 删除重复值

与处理缺失值一样，重复值的处理方法也要根据实际情况而定，尤其是删除重复值时，是保留其中一行还是全部删除。Pandas 中删除重复值主要使用drop_duplicates()函数，该函数与检测重复值的duplicated()函数大致相同，核心参数都是subset与keep，这里就不再列表说明了。与duplicated()函数不同的是，drop_duplicates()函数的作用不仅仅是检测重复值，而是将被检测出来的重复行删除。下面我们通过两个例子来学习一下如何使用它。

【场景1】删除数据中的重复行，保留其中一项

# 删除数据中的重复行，保留其中一项
data_test.drop_duplicates(keep='first')

【场景2】删除数据中的重复行，若发现重复行，则全部删除。

# 删除数据中的重复行，若发现重复行，则全部删除。
data_test.drop_duplicates(keep=False)

总结

在基础的数据清洗中，缺失值处理和重复值处理是最基本的技能，本期文章对缺失值和重复值的处理做了系统的介绍，其中重点介绍了如何填充缺失值以及如何删除重复值。下期文章我们将继续向大家介绍 Pandas 中其他的数据处理操作。

Python教程

• 本期

星标⭐我们不迷路！想要文章及时到，文末“在看”少不了！

点击搜索你感兴趣的内容吧

往期推荐

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

文 | 《社科领域大数据治理实务手册》

    欢迎扫描👇二维码添加关注    

点击下方“阅读全文”了解更多