左手用R右手Python系列8——數據去重與缺失值處理
因為最近事情略多,最近更新的不勤了,但是學習的腳步不能停,一旦停下來,有些路就白走了,今天就盤點一下R語言和Python中常用於處理重複值、缺失值的函數。
在R語言中,涉及到數據去重與缺失值處理的函數一共有下面這麼幾個:
- unique
- distinct
- intersect
- union
- duplicated #布爾判斷
- is.na()/!is.na() #缺/非缺失值
- na.rm=TRUE/FALSE #移除缺失值
- na.omit(lc) #忽略缺失值
- complete.cases() #完整值
mydata<-data.frame(A=runif(20,0,100),B=sample(LETTERS[1:5],20,replace=TRUE))mydata[sample(1:20,5,replace=FALSE),"A"]<-NA #認為構造了5個缺失值
#unique函數通常用於去重:
unique(mydata$B) #對含有重複值得向量進行去重dplyr::distinct(mydata,B) #對含有重複值欄位的數據框去重
#交集與補集:
dplyr中提供了兩個函數可以執行交集與補集操作:
duplicated(mydata$B) #返回重複對象的布爾值mydata[!duplicated(mydata$B),] #剔除重複值,僅保留唯一值
A=LETTERS[1:10];B=LETTERS[6:15]intersect(A,B) #交集unique(A,B) #補集
#缺失值處理:
is.na()/!is.na() #缺/非缺失值判斷is.na(mydata) #返回存在缺失值的布爾結果!is.na(mydata) #返回非缺失值的布爾結果
na.rm=TRUE/FALSE #移除缺失值rm.na通常作為基礎統計函數的參數使用,如mean,sum等mean(mydata$A,na.rm=TRUE)sum(mydata$A,na.rm=TRUE)
na.omit(mydata) #忽略缺失值所在行complete.cases(mydata) #完整值(返回布爾結果)mydata[!complete.cases(mydata$A),]#使用該函數的布爾索引確定缺失值或者排除缺失值
關於更為複雜的缺失值插補技術,因為涉及到一些比較深入的方法,這裡暫且不呈現,僅對缺失值的描述和篩選做以上簡單歸總。
---------
Python:
---------
#列表去重:
set(將列表元組化過濾重複數據)M=[1,4,3,6,5,4,3,2,7,8]list(set(M))
#數據框的去重:
import pandas as pdimport numpy as npmydata=pd.DataFrame({"A":["A","B","C","D","B","C"],"B":[43,32,56,67,32,56]})mydata.drop_duplicates() #使用pandas提供的數據框去重函數drop_duplicates去重重複值。
#缺失值處理:
對於列表而言,numpy中諸多統計函數都有針對缺失值的操作:
nansum/nanmean/nanmin/nanmax
val= np.array([5,np.nan,8,9,np.nan]) np.nansum(val)np.nanmean(val)np.nanmin(val)np.nanmax(val)
pandas中的序列和數據框都有固定的缺失值檢測、描述、差值方法:
myserie=pd.Series(["A","B",np.nan,"C"])mydata=pd.DataFrame({"A":["A","B","C","D","E","F"],"B":[43,np.nan,56,67,np.nan,56]})
#檢測缺失值:
myserie.isnull() mydata.isnull()
#返回非缺失值:
myserie.notnull() mydata.notnull()
#過濾缺失值:
myserie.dropna() mydata.dropna()
#針對數據框而言,默認情況下,dropna丟棄含有缺失值的行。
mydata.dropna(how="all",axis=1) #丟棄含有缺失值的行或者列
#缺失值填充:
fillna函數一共兩個參數:
- value表示要插補的值
- method表示缺失值插補方法
myserie.fillna(0) mydata.fillna(0)
------------
本文小結:
------------
R語言:
數值去重:
- unique
- distinct
- intersect
- union
- duplicated
缺失值處理:
- is.na()/!is.na()
- na.rm=TRUE/FALSE
- na.omit(lc)
- complete.cases()
Python:
重複值:
- set(針對列表通過元組過濾)
- drop_duplicates(針對pandas中的序列和數據框)
缺失值處理:
- nansum/nanmean/nanmin/nanmax
- isnull
- dropna
- fillna
聯繫方式:
微信:ljty1991
博客主頁:raindu』s home
個人公眾號:數據小魔方(datamofang)
團隊公眾號:EasyCharts
推薦閱讀:
※Python數據分析及可視化實例之CentOS7.2+Python3x+Flask部署標準化配置流程
※Flask 實現小說網站 (二)
※Python實現3D建模工具
※Flask模板引擎:Jinja2語法介紹
※OpenCV:圖片操作基本知識(二)