【Python学习笔记】处理缺失值、重复值和异常值

镇楼图（图片源自unsplash）

零、前言

刚获取的数据中可能会有一些不规整的数据，比如：缺失数据、重复数据、异常数据，因此我们需要对数据进行预处理，剔除这些不规整的数据。

一、缺失值的检测与处理

缺失值就是由于某些原因导致部分数据为空，对于为空的这部分数据我们一般有两种处理方式，一种是删除，即将含有缺失值的数据删除；另一种是填充，即将缺失的那部分用某个值代替。
Python中缺失值一般用NaN表示。

1.1 缺失值的检测

相关方法

• df.info()
• df.isnull()
  • 如果是缺失值则返回True，否则返回False。
• df.notnull()
  • 同isnull()，返回相反。

1.2 缺失值的处理

1.2.1 删除缺失值

相关方法：

• df.dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False)
  • axis : {0 or ‘index’, 1 or ‘columns’}, default 0
  • how : {‘any’, ‘all’}, default ‘any’
  • thresh : int, optional
  • subset : array-like, optional
  • inplace : bool, default False

dropna()默认删除含有缺失值的行，也就是只要某一行又缺失值就把这一行删除。
指定thresh参数可以设置缺失值的判定个数，例如thresh=3，那么当某一行有3个缺失值是才会对这一行删除。
指定how='all'就只会删除那些全为空值的行了。
指定axis参数可以设置删除行或者列，默认为删除行。

1.2.2 填充缺失值

相关方法：

• df.fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
  • value : scalar, dict, Series, or DataFrame
  • method : {‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None

设置value参数指定要填充的值。
设置method参数，bfill为向后取值，ffill为向前取值。
也可以传入一个字典进行分别填充。例如：df.fillna({'A':'apple','D':'dog'})，A列中的缺失值填充为 apple ，D 列中的缺失值填充为 dog 。

二、重复值的检测与处理

重复数据就是同样的记录有多条，对于这样的数据我们一般做删除处理。

相关方法：

• df.drop_duplicates(self, subset=None, keep='first', inplace=False)
  • subset : 列标签名或标签序号，可选；
  • keep : {‘first’, ‘last’, False}，默认为first。

df.drop_dunplicates()默认对所有值进行重复值判断，且默认保留第一个（行）值。
设置subset参数可以自定义按照某一列进行重复值判断；
设置keep参数可以自定义删除是保留第一个重复值还是最后一个重复值。

三、异常值的检测与处理

3.1 异常值的检测

• 根据业务经验划定不同指标的正常范围，超过该范围的值算作异常值；
• 通过绘制箱形图，把上下限之外的数值算作异常值；

• 如果数据服从正态分布，则可以利用3σ原则：如果一个数值与平均数之间的偏差超过3倍标准差，那么我们就认为这个值是异常值。

  
  

3.2 异常值的处理

• 最常用的处理方式为删除；
• 把异常值当作缺失值来填充就是对异常值进行替换，利用replace()方法可以对特定的值进行替换；
• 把异常值当作特殊情况，研究异常值出现的原因。