【python】数据挖掘分析清洗——缺失值处理方法汇总

前言

看了下网络上做完整的数据清洗方法总结的人不多，这几年刚好学的各类方法都有点杂乱，因此自己做个总结，算是方便自己，也帮助别人，也希望大家看到错误，能在评论区或者私信说一下，互相探讨学习一下。

一、查看缺失值比例

常见的查看缺失值方法，第一种计算缺失值比例

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

queshi_bili=((data_train.isnull().sum())/data_train.shape[0]).sort_values(ascending=False).map(lambda x:"{:.2%}".format(x)) #queshibili是数据名 data_train是训练集数据
queshi_bili

第二种是使用describe()函数

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

data_train.describe()

二、基于统计的缺失值处理方法

缺失值的处理方法我一般分为两种，一种是基于统计学的填补方法，另外一种是基于机器学习的填补方法。 后续以data_train当中的 其他流动资产这个特征为例

2.1 删除

一些缺失值比例过大的数据还是需要将其删除的，缺失值填补也仅仅只是基于当前数据进行预测，计算的，存在一定误差。但填补的数据过多，反而只会带来误差。

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

del data['列名']

按照比例进行删除，这里是按照80%的比例进行删除

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

t = int(0.8*data_train.shape[0]) # 确定删除的比例下，占数据多少
data_train_shanchu = data_train.dropna(thresh=t,axis=1)#保留至少有 t 个非空的列
data_train_shanchu

2.2 填充固定值

将缺失值都填充为给定常数

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

data.fillna(0, inplace=True) # 填充 0 第一个参数控制填充的常数

也可以通过字典的形式，进行固定值填充，所给字典不够填充的，就还是处于缺失值状态

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

data.fillna({0:1000, 1:100, 2:0, 4:5}) 

2.3 填充中位数、平均数、众数

这三个数代码相近，只需要将函数改为其他的即可。图片是以平均数填充为例

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

data.fillna(data.mean(),inplace=True) # 填充均值
data.fillna(data.median(),inplace=True) # 填充中位数
data.fillna(data.mode(),inplace=True) # 填充众数

2.4 插值法填充，前值或者后值填充

插值法原理是将缺失值的数据的上下两个数据相加除以2，也就是取平均，缺点是如果前面没有值和后面没有值，都将会导致缺失值依然存在。

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

data = data.interpolate()#上下两个数据的均值进

填充前面值或者后面值，填充缺失值的上一个数据或者下一个数据，缺点与插值法相同，缺点是如果前面没有值和后面没有值，都将会导致缺失值依然存在。（图片以前值为例）

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

data.fillna(method='pad', inplace=True) # 填充前一条数据的值，但是前一条也不一定有值
data.fillna(method='bfill', inplace=True) # 填充后一条数据的值，但是后一条也不一定有值

三、基于机器学习的缺失值填充

采用的机器学习算法对于缺失值进行填充，从精度上是优于统计方法的填充，但是相对的需要付出的算力和时间是远远大于统计方法的。 这里仅仅对代码实现作为一个演示，其中的算法原理，可以自行搜索。

3.1 基于knn算法进行填充

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

from fancyimpute import KNN
data_train_knn = pd.DataFrame(KNN(k=6).fit_transform(data_train_shanchu)#这里的6是对周围6个数据进行欧式距离计算，得出缺失值的结果，可以自行调整
columns=data_train_shanchu.columns)
data_train_knn

3.2 基于随机森林进行填充

使用随机森林进行缺失值填补，其他像lightgbm,xgboost都是可行的，这里以随机森林为例子 操作就是将其他特征作为数据 然后对缺失的数据进行填补，得到缺失值

代码语言：python代码运行次数：0复制Cloud Studio 代码运行

from sklearn.ensemble import RandomForestRegressor
#利用随机森林树进行填补缺失值
train_data = train_data[['其他流动资产', '货币资金', '资产总计']]
df_notnull = train_data.loc[(train_data['其他流动资产'].notnull())]
df_isnull = train_data.loc[(train_data['其他流动资产'].isnull())]
X = df_notnull.values[:,1:]
Y = df_notnull.values[:,0]

# use RandomForestRegression to train data
RFR = RandomForestRegressor(n_estimators=1000, n_jobs=-1)
RFR.fit(X,Y)
predict = RFR.predict(df_isnull.values[:,1:])
predict

总结

大概目前的话，常用的缺失值处理方法就这些，后续的话我会接着更新其他的数据清洗的方法。我就不设置付费专栏啦，希望对各位有帮助！

我正在参与2023腾讯技术创作特训营第三期有奖征文，组队打卡瓜分大奖！

推荐人： 计算机魔术师

特征工程 2023腾讯·技术创作特训营第三期 数据挖掘 python 人工智能

0 人点赞