Python-データクレンジング

実際のシナリオでは、データの欠落は常に問題です。機械学習やデータマイニングなどの分野では、値の欠落が原因でデータの品質が低下するため、モデル予測の精度に深刻な問題が発生します。これらの分野では、欠測値の処理は、モデルをより正確で有効にするための主要な焦点です。

データが失われるのはいつ、なぜですか?

製品のオンライン調査について考えてみましょう。多くの場合、人々は彼らに関連するすべての情報を共有するわけではありません。経験を共有する人はほとんどいませんが、製品をどれだけ長く使用しているかはわかりません。製品の使用期間、経験は共有しますが、連絡先情報は共有しない人はほとんどいません。したがって、何らかの方法でデータの一部が常に欠落しており、これはリアルタイムで非常に一般的です。

ここで、パンダを使用して欠落値(NAまたはNaNなど)を処理する方法を見てみましょう。

# import the pandas library
import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])

df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

print df

その output 次のとおりです-

one        two      three
a   0.077988   0.476149   0.965836
b        NaN        NaN        NaN
c  -0.390208  -0.551605  -2.301950
d        NaN        NaN        NaN
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
g        NaN        NaN        NaN
h   0.085100   0.532791   0.887415

インデックスの再作成を使用して、値が欠落しているDataFrameを作成しました。出力では、NaN 手段 Not a Number.

欠落している値を確認する

欠落値の検出を容易にするために(そして異なる配列dtype間で)、Pandasは isnull() そして notnull() SeriesおよびDataFrameオブジェクトのメソッドでもある関数-

import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])

df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

print df['one'].isnull()

その output 次のとおりです-

a  False
b  True
c  False
d  True
e  False
f  False
g  True
h  False
Name: one, dtype: bool

不足しているデータのクリーニング/入力

Pandasは、欠落している値をクリーンアップするためのさまざまな方法を提供します。fillna関数は、次のセクションで説明するいくつかの方法で、NA値にnull以外のデータを「入力」できます。

NaNをスカラー値に置き換えます

次のプログラムは、「NaN」を「0」に置き換える方法を示しています。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(3, 3), index=['a', 'c', 'e'],columns=['one',
'two', 'three'])
df = df.reindex(['a', 'b', 'c'])
print df
print ("NaN replaced with '0':")
print df.fillna(0)

その output 次のとおりです-

one        two     three
a  -0.576991  -0.741695  0.553172
b        NaN        NaN       NaN
c   0.744328  -1.735166  1.749580

NaN replaced with '0':
         one        two     three
a  -0.576991  -0.741695  0.553172
b   0.000000   0.000000  0.000000
c   0.744328  -1.735166  1.749580

ここでは、値ゼロで埋めています。代わりに、他の値を入力することもできます。

NAを前方および後方に埋める

ReIndexingの章で説明した塗りつぶしの概念を使用して、不足している値を塗りつぶします。

方法 アクション
パッド/フィル 前方への充填方法
bfill / backfill メソッドを後方に埋める

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])

print df.fillna(method='pad')

その output 次のとおりです-

one        two      three
a   0.077988   0.476149   0.965836
b   0.077988   0.476149   0.965836
c  -0.390208  -0.551605  -2.301950
d  -0.390208  -0.551605  -2.301950
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
g  -0.930230  -0.670473   1.146615
h   0.085100   0.532791   0.887415

欠落している値を削除する

欠落している値を単純に除外する場合は、 dropna と一緒に機能する axis引数。デフォルトでは、axis = 0、つまり行に沿っています。つまり、行内のいずれかの値がNAの場合、行全体が除外されます。

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])

df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.dropna()

その output 次のとおりです-

one        two      three
a   0.077988   0.476149   0.965836
c  -0.390208  -0.551605  -2.301950
e  -2.000303  -0.788201   1.510072
f  -0.930230  -0.670473   1.146615
h   0.085100   0.532791   0.887415

欠落している(または)一般的な値を置き換える

多くの場合、一般的な値を特定の値に置き換える必要があります。これは、replaceメソッドを適用することで実現できます。

NAをスカラー値に置き換えることは、 fillna() 関数。

import pandas as pd
import numpy as np
df = pd.DataFrame({'one':[10,20,30,40,50,2000],
'two':[1000,0,30,40,50,60]})
print df.replace({1000:10,2000:60})

その output 次のとおりです-

one  two
0   10   10
1   20    0
2   30   30
3   40   40
4   50   50
5   60   60