在数据分析和数据挖掘处理中常常会发现数据中存在缺失值，因此需要对此进行处理。

        工具：Pandas

        数据如下：

        调用 对象.isnull()函数可以对数据进行缺失值检测，结果如下：

        可以看到，缺失值的地方为True。

        缺失值处理的方式有三种：过滤法、填充法、插值法。

• 过滤法：指当缺失的观测比例非常低时(如5%以内)，直接删除存在缺失的观测，也就是行；或当某些变量的缺失比例非常高时(如85%以上)，直接删除这些缺失的变量，也就是列。

        调用 对象.dropna(axis=0,how='any',thresh=None)：axis=0表示删除行，axis=1表示删除列；how可选any或all，any表示删除带有NaN的行，all表示删除整行数据全为NaN的行；thresh为整数类型，表示删除的条件，如thresh=3表示一行中至少有3个非NaN值时，才将其保留。

• 填充法：指用其他数值填充缺失值。

        调用 对象.fillna(value=None,method=None,axis=None,inplace=False)： value表示用常数填充，比如value=5就是用5填充NaN，也可以用字典进行填充，当然也可以用均值、中位数等进行填充；method可以选择填充方式，pad/ffill表示用前一行非缺失值填充该缺失值，backfill/bfill表示用后一行非缺失值填充该缺失值；inplace=True表示直接修改原对象，inplace=False表示创建一个副本并修改，可以用于赋值，原数据不发生改变。

• 插值法：可以用KNN、拉格朗日等方法补值。

咋说呢，这本来是我们统计老师给的一个小期中作业，方法并不详尽，我找了几个简单的，看个乐就行。泰坦尼克号数据集的使用是因为之前做过它的一系列分析，所以图个方便。其他数据文件由于缺失值比较少甚至没有缺失值，我就人为的制造缺失值，建议用代码实现这一过程。

目录

1、删除元组

（1）删除存在缺失值的个案

（2）删除含特殊值的特征

2、不处理

3、缺失值插补

（1）人工补齐数据，适用于规模小，缺失少的数据

（2）用平均数补齐数据

（3）用众数补齐数据

（4）回归建模填充数据

（5）K最近邻算法，最近k个样本的均值进行数据填补

 总结一下：

 其他方法：

方法总结：

1、删除元组

（1）删除存在缺失值的个案

举例：通过观察泰坦尼克数据集可以发现，数据的年龄Age这一变量存在部分缺失，可以尝试删除变量Age缺失的纪录

图为泰坦尼克数据集

import pandas as pd
import numpy as np
#读入数据
data=pd.read_csv('C:/Users/24580/Desktop/数据挖掘/train.csv')
data.head(30)
data1_1=data.dropna(subset=['Age'])
data1_1.head(20)

（2）删除含特殊值的特征

举例：通过观察泰坦尼克数据集可以发现，数据的Cabin这一变量大部分数据都未知，可以尝试将Cabin这一特征变量给删除

#（基于1.1的数据） 
data1_2=data.drop(columns=['Cabin'])
data1_2.head(20)

2、不处理

不处理，就直接进行下一步，贼佛系的做法，但总有一定依据

3、缺失值插补

有多种方式补齐数据，以下只简单罗列了5种方法

（1）人工补齐数据，适用于规模小，缺失少的数据

举例：在成绩表student中，由于小张的语文试卷不慎丢失，老师按照他上课的表现进行打分

import pandas as pd
import numpy as np
#读入数据
data=pd.read_excel('C:/Users/24580/Desktop/社会网络/student.xlsx')
data=data.fillna(95)
data

（2）用平均数补齐数据

举例：通过观察泰坦尼克数据集可以发现，数据的Age这一变量存在部分缺失，用平均数来插补缺失的Age值

#（基于1.1的数据）
#填充age(平均数)
data['Age']=data['Age'].fillna(data['Age'].median())
data3_2=data
data3_2.head(10)

（3）用众数补齐数据

举例：通过观察泰坦尼克数据集可以发现，数据的Embarked这一变量存在部分缺失，用众数来插补缺失的Embarked值

#（基于1.1的数据）
#填充embarked
cishu=data['Embarked'].value_counts()#计数
index_max=cishu.idxmax()
print(index_max)
data['Embarked']=data['Embarked'].fillna(index_max)
data3_3=data
data3_3.head(10)

（4）回归建模填充数据

举例：在Salary_Data.csv数据文件中包含两个变量，一个是工作年龄YearsExperience，一个是薪资水平Salary，其中Salary有部分数据缺失，鉴于YearsExperience与Salary有强烈的线性相关关系，故拟采用线性回归的方法进行数据填充

import pandas as pd
import numpy as np
import seaborn as sns
import statsmodels.api as sm
import matplotlib.pyplot as plt
#读入数据
data=pd.read_csv('C:/Users/24580/Desktop/社会网络/Salary_Data.csv')
data.head(10)
print(data.isna().sum())
#画散点图
sns.lmplot(x='YearsExperience',y='Salary',data=data,ci=None)
plt.show()
#有缺失的记录,建立需预测的子集
data_pred=data[np.isnan(data['Salary'])]
X_pred=pd.DataFrame(data_pred)
y_pred=data_pred['Salary']
#无缺失值的记录，即训练子集
data_train=data.dropna(subset=['Salary'],axis=0)
#建模
fit=sm.formula.ols('Salary~YearsExperience',data=data_train).fit()
print(fit.params)
#预测
y_pred=fit.predict(X_pred)
print(y_pred)
data_pred['Salary']=y_pred
print(data_pred)
#数据合并
data=data_train.append(data_pred)
data.head(10)

  共5个缺失值

  散点图表示两者存在明显线性关系

 回归方程系数

  为预测的缺失部分的估计值，将数据合并即可

（5）K最近邻算法，最近k个样本的均值进行数据填补

举例：CCPP数据集中，前四个变量是自变量，最后一列为连续的因变量PE，表示高炉的发电量，其中PE列存在数据缺失，拟通过KNN模型进行预测填补

其中最佳的临近个数设置为7，是通过10重交叉验证所选取的最佳K值

（本代码段未包含交叉验证的代码）

import pandas as pd
import numpy as np
from sklearn import neighbors
from sklearn.preprocessing  import minmax_scale
#读入数据
data=pd.read_excel('C:/Users/24580/Desktop/社会网络/CCPP.xlsx')
data.head(10)
predictors=data.columns[:-1]#自变量名称
X=minmax_scale(data[predictors])#标准化
print(data.isna().sum())  #缺失值个数
#有缺失的记录,建立需预测的子集
data_pred=data[np.isnan(data['PE'])]
x_test=pd.DataFrame(data_pred[predictors])
y_test=data_pred['PE']
#无缺失值的记录，即训练子集
data_train=data.dropna(subset=['PE'],axis=0)
y_train=data_train['PE']
x_train=data_train[predictors]
#建模
knn=neighbors.KNeighborsRegressor(n_neighbors=7,weights='distance')
knn.fit(x_train,y_train)
#预测
pred=knn.predict(x_test)
print(pred)
data_pred['PE']=pred
print(data_pred)
#数据合并
data=data_train.append(data_pred)
data.head(10)

原数据

   共15个缺失

预测的15个缺失值，将数据合并即可

 总结一下：

 其他方法：

1、针对时间序列可以通过建模进行预测，然后填补数据

2、多重插补

3、热卡填充……

还有很多方法可以使用，按我的拙见是：只要能进行预测的模型，按理都可以预测缺失值，只是模型的准确率会有所不同

方法总结：

大致梳理一下回归和KNN进行预测的步骤，其他有的模型也可参照这样：

1、观察数据，选择所需模型或方法

2、将有缺失的数据记录从原数据集中提取出来，形成测试集test

（如果需要将自变量、因变量数据拆分，则拆分为x_test,y_test）

剩余部分形成训练集train

（同理，训练集可能也需要拆分）

3、对训练集train进行建模

4、对测试集test进行模型的预测，得到估计值

5、将估计值与原数据合并

（总感觉自己说的废话，hhh，看看就行）

缺失值可能是数据科学中最不受欢迎的值，然而，它们总是在身边。忽略缺失值也是不合理的，因此我们需要找到有效且适当地处理它们的方法。

在本文中，我们将介绍 8 种不同的方法来解决缺失值问题，哪种方法最适合特定情况取决于数据和任务。欢迎收藏学习，喜欢点赞支持，技术交流可以文末加群，尽情畅聊。

让我们首先创建一个示例数据框并向其中添加一些缺失值。

我们有一个 10 行 6 列的数据框。

下一步是添加缺失值。 我们将使用 loc 方法选择行和列组合，并使它们等于“np.nan”，这是标准缺失值表示之一。

这是数据框现在的样子：

item 和 measure 1 列具有整数值，但由于缺少值，它们已被向上转换为浮点数。

在 Pandas 1.0 中，引入了整数类型缺失值表示 ()，因此我们也可以在整数列中包含缺失值。 但是，我们需要显式声明数据类型。

尽管有缺失值，我们现在可以保留整数列。

现在我们有一个包含一些缺失值的数据框。 是时候看看处理它们的不同方法了。

1. 删除有缺失值的行或列

一种选择是删除包含缺失值的行或列。


使用默认参数值，dropna 函数会删除包含任何缺失值的行。数据框中只有一行没有任何缺失值。同时我们还可以选择使用轴参数删除至少有一个缺失值的列。

2. 删除只有缺失值的行或列

另一种情况是有一列或一行充满缺失值。 这样的列或行是无用的，所以我们可以删除它们。

dropna 函数也可以用于此目的。 我们只需要改变 how 参数的值。

3. 根据阈值删除行或列

基于“any”或“all”的删除并不总是最好的选择。 我们有时需要删除具有“大量”或“一些”缺失值的行或列。

我们不能将这样的表达式分配给 how 参数，但 Pandas 为我们提供了一种更准确的方法，即 thresh 参数。

例如，“thresh=4”意味着至少有 4 个非缺失值的行将被保留。 其他的将被丢弃。

我们的数据框有 6 列，因此将删除具有 3 个或更多缺失值的行。

只有第三行有 2 个以上的缺失值，所以它是唯一一个被丢弃的。

4. 基于特定的列子集删除

在删除列时，我们可以只考虑部分列。

dropna 函数的子集参数用于此任务。 例如，我们可以删除在度量 1 或度量 2 列中有缺失值的行，如下所示：

到目前为止，我们已经看到了根据缺失值删除行或列的不同方法。放弃并不是唯一的选择。 在某些情况下，我们可能会选择填充缺失值而不是删除它们。

事实上，填充可能是更好的选择，因为数据意味着价值。 如何填补缺失值，当然取决于数据的结构和任务。

fillna 函数用于填充缺失值。

5. 填充一个常数值

我们可以选择一个常量值来替代缺失值。如果我们只给 fillna 函数一个常量值，它将用该值替换数据框中的所有缺失值。

更合理的方法是为不同的列确定单独的常量值。 我们可以将它们写入字典并将其传递给 values 参数。


item 列中的缺失值替换为 1014，而 measure 1 列中的缺失值替换为 0。

6. 填充聚合值

另一种选择是使用聚合值，例如平均值、中位数或众数。

下面这行代码用该列的平均值替换了第 2 列中的缺失值。

7. 替换为上一个或下一个值

可以用该列中的前一个或下一个值替换该列中的缺失值。在处理时间序列数据时，此方法可能会派上用场。 假设您有一个包含每日温度测量值的数据框，但缺少一天的温带。 最佳解决方案是使用第二天或前一天的温度。

fillna 函数的方法参数用于执行此任务。

“bfill”向后填充缺失值，以便将它们替换为下一个值。看看最后一栏。 缺失值被替换到第一行。 这可能不适合某些情况。

值得庆幸的是，我们可以限制用这种方法替换的缺失值的数量。 如果我们将 limit 参数设置为 1，那么一个缺失值只能用它的下一个值替换。 后面的第二个或第三个值将不会用于替换。

8. 使用另一个数据框填充

我们还可以将另一个数据帧传递给 fillna 函数。 新数据框中的值将用于替换当前数据框中的缺失值。

将根据行索引和列名称选择值。 例如，如果 item 列的第二行中存在缺失值，则将使用新数据框中相同位置的值。

以上是具有相同列的两个数据框。 第一个 没有任何缺失值。

我们可以使用 fillna 函数如下：

df 中的值将替换为 df2 中关于列名和行索引的值。

总结

缺失将永远存在于我们的生活中。 没有最好的方法来处理它们，但我们可以通过应用准确合理的方法来降低它们的影响。我们已经介绍了 8 种不同的处理缺失值的方法，使用哪一个取决于数据和任务。

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

• 方式①、发送如下图片至微信，长按识别，后台回复：加群；
• 方式②、添加微信号：dkl88191，备注：来自CSDN
• 方式③、微信搜索公众号：Python学习与数据挖掘，后台回复：加群