
數(shù)據(jù)探索之缺失值處理及代碼實(shí)現(xiàn)
在數(shù)據(jù)挖掘中,前期數(shù)據(jù)預(yù)處理,會(huì)涉及到很多缺失值的處理問題。
現(xiàn)以python代碼實(shí)現(xiàn)為例,看如何具體處理的。
所需python包
from pandas import Series, DataFrame
import pandas as pd
尋找缺失值
def FindFeactureNAorValue(data, feacture_cols, axis=0, value = 'NA', prob_dropFct = 0.95):
'''
函數(shù)說明:尋找每一個(gè)特征有多少value值,默認(rèn)為:缺失值,及所占比率
輸入:data——整個(gè)數(shù)據(jù)集,包括Index,target
feacture_cols——特征名
prob_dropFct——大于這個(gè)比例,就丟掉該特征
輸出:numValue——DataFrame index='feacture1', columns=['numnumValue', 'probnumValue']
dropFeacture_cols——要丟掉的特征列名
'''
#計(jì)算x中value值個(gè)數(shù)
def num_Value(x, value = 'NA'):
if value == 'NA':
return sum(x.isnull()) #尋找缺失值個(gè)數(shù)
else:
return sum(x == value) #尋找某個(gè)值value個(gè)數(shù)
numValue = data[feacture_cols].apply(num_Value, axis=axis,args=[value])
numValue = DataFrame(numValue, columns = ['numValue'])
nExample = data.shape[0]
probValue = map(lambda x: round(float(x)/nExample, 4), numValue['numValue'])
numValue['probValue'] = probValue
#尋找缺失值大于prob_dropFct的特征 m, , ,.
dropFeacture = numValue[numValue['probValue'] >= prob_dropFct]
dropFeacture_cols = list(dropFeacture.index)
return numValue,dropFeacture_cols
處理數(shù)值型特征缺失值
def FillNAorValueOfNum(data, numFct_cols, value = 'NA', replaceNA = 'mean'):
'''
函數(shù)說明:為數(shù)值變量填上缺失值,缺失值為特征均值,中位數(shù),眾數(shù)
輸入:data——整個(gè)數(shù)據(jù)集,包括Index,target
numFct_cols——數(shù)值特征名
value ——'NA'或-1,-1也有可能為NA
replaceNA——'mean'、'mode'、'median'
輸出:newData——DataFrame 替換value值
'''
#用均值、眾數(shù)、中位數(shù)替換每一個(gè)特征缺失值或value值
def fillValue(x, value=-1, replaceNA='mean'):
if replaceNA == 'mean':
replaceValue = x.mean()
if replaceNA == 'mode':
x_mode = x.mode()
if len(x_mode) > 1:
replaceValue = x_mode[0]
else:
replaceValue = x_mode
if replaceNA == 'median':
replaceValue = x.median()
replaceValue = x.mean()
x[x == value] = replaceValue
return x
numData = data[numFct_cols]
if replaceNA == 'mean':
if value == 'NA':
newData = numData.fillna(numData.mean(),inplace=True)
else:
newData = numData.apply(fillValue, axis = 0, args=(value, replaceNA))
if replaceNA == 'mode':
if value == 'NA':
newData = numData.fillna(numData.mode(),inplace=True)
else:
newData = numData.apply(fillValue, axis = 0, args=(value, replaceNA))
if replaceNA == 'median':
if value == 'NA':
newData = numData.fillna(numData.median(),inplace=True)
else:
newData = numData.apply(fillValue, axis = 0, args=(value, replaceNA))
return newData
處理類別型特征缺失值
from sklearn.preprocessing import LabelEncoder
def FillNAofCat(data, feacture_cols):
'''
函數(shù)說明:為類別變量填上缺失值,認(rèn)為缺失值是新的一類
輸入:data——整個(gè)數(shù)據(jù)集,包括Index,target
feacture_cols——特征名
輸出:catData——DataFrame 數(shù)值化后的類別特征樣本
'''
catData = data[feacture_cols]
catData = catData.fillna(value = -9999)
#創(chuàng)建分類特征的標(biāo)簽編碼器 jiushi字符串轉(zhuǎn)化為數(shù)字
for var in feacture_cols:
number = LabelEncoder()
catData[var] = number.fit_transform(catData[var].astype('str'))
return catData
def CatToDummy(data, catfct_cols):
'''
函數(shù)說明:類別變量轉(zhuǎn)化為啞變量
輸入:data——整個(gè)數(shù)據(jù)集,包括Index,target
catfct_cols——類別特征名
輸出:dummyCatData——DataFrame
'''
catData = data[catfct_cols]
dummyCatData = pd.get_dummies(catData,columns=catfct_cols, sparse = True)
return dummyCatData
為每個(gè)特征缺失值標(biāo)上標(biāo)志位
def GetNewValueOfNAfeacture(data, feacture_cols):
'''
函數(shù)說明:為有缺失值的變量創(chuàng)建一個(gè)新的變量 對(duì)缺失值標(biāo)志為1,否則為0
輸入:data——整個(gè)數(shù)據(jù)集,包括Index,target
feacture_cols——特征名
輸出:newData——DataFrame類型
'''
newData = data[feacture_cols]
for var in feacture_cols:
if newData[var].isnull().any() == True:
newData[var+'_NA'] = newData[var].isnull()*1
newData = newData.drop(feacture_cols,1)
return newData
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03