左手用R右手Python系列8——数据去重与缺失值处理

因为最近事情略多,最近更新的不勤了,但是学习的脚步不能停,一旦停下来,有些路就白走了,今天就盘点一下R语言和Python中常用于处理重复值、缺失值的函数。

在R语言中,涉及到数据去重与缺失值处理的函数一共有下面这么几个:

  • unique
  • distinct
  • intersect
  • union
  • duplicated #布尔判断
  • 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 #认为构造了5个缺失值。

#unique函数通常用于去重:

unique(mydata$B) #对含有重复值得向量进行去重 dplyr::distinct(mydata,B) #对含有重复值字段的数据框去重

#交集与补集:

dplyr中提供了两个函数可以执行交集与补集操作:

duplicated(mydata$B) #返回重复对象的布尔值 mydata[!duplicated(mydata$B),] #剔除重复值,仅保留唯一值

A=LETTERS[1:10];B=LETTERS[6:15] intersect(A,B) #交集 unique(A,B) #补集

#缺失值处理:

is.na()/!is.na() #缺/非缺失值判断 is.na(mydata) #返回存在缺失值的布尔结果 !is.na(mydata) #返回非缺失值的布尔结果

na.rm=TRUE/FALSE #移除缺失值 rm.na通常作为基础统计函数的参数使用,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(返回布尔结果) mydata[!complete.cases(mydata$A),]#使用该函数的布尔索引确定缺失值或者排除缺失值

关于更为复杂的缺失值插补技术,因为涉及到一些比较深入的方法,这里暂且不呈现,仅对缺失值的描述和筛选做以上简单归总。

---------

Python:

---------

#列表去重:

set(将列表元组化过滤重复数据) M=[1,4,3,6,5,4,3,2,7,8] list(set(M))

#数据框的去重:

import pandas as pd import numpy as np mydata=pd.DataFrame({ "A":["A","B","C","D","B","C"], "B":[43,32,56,67,32,56] }) mydata.drop_duplicates() #使用pandas提供的数据框去重函数drop_duplicates去重重复值。

#缺失值处理:

对于列表而言,numpy中诸多统计函数都有针对缺失值的操作:

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中的序列和数据框都有固定的缺失值检测、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] })

#检测缺失值:

myserie.isnull() mydata.isnull()

#返回非缺失值:

myserie.notnull() mydata.notnull()

#过滤缺失值:

myserie.dropna() mydata.dropna()

#针对数据框而言,默认情况下,dropna丢弃含有缺失值的行。

mydata.dropna(how="all",axis=1) #丢弃含有缺失值的行或者列

#缺失值填充:

fillna函数一共两个参数:

  • value表示要插补的值
  • method表示缺失值插补方法

myserie.fillna(0) mydata.fillna(0)

------------

本文小结:

------------

R语言:

数值去重:

  • unique
  • distinct
  • intersect
  • union
  • duplicated

缺失值处理:

  • is.na()/!is.na()
  • na.rm=TRUE/FALSE
  • na.omit(lc)
  • complete.cases()

Python:

重复值:

  • set(针对列表通过元组过滤)
  • drop_duplicates(针对pandas中的序列和数据框)

缺失值处理:

  • nansum/nanmean/nanmin/nanmax
  • isnull
  • dropna
  • fillna

原文发布于微信公众号 - 数据小魔方(datamofang)

原文发表时间:2017-08-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏王肖的UT

GLSL-内置函数

66230
来自专栏数据结构与算法

P3382 【模板】三分法

题目描述 如题,给出一个N次函数,保证在范围[l,r]内存在一点x,使得[l,x]上单调增,[x,r]上单调减。试求出x的值。 输入输出格式 输入格式: 第一行...

35590
来自专栏CDA数据分析师

入门 | 数据科学初学者必知的NumPy基础知识

NumPy(Numerical Python)是 Python 中的一个线性代数库。对每一个数据科学或机器学习 Python 包而言,这都是一个非常重要的库,S...

13820
来自专栏Petrichor的专栏

python: random模块

  在numpy 和 tensorflow 中有 相同功能 的实现, 见 《tensorflow: Constants, Sequences, and Ra...

21210
来自专栏程序生活

Tensorflow教程(十三) tf.Variable() 和tf.get_variable()1 简介2 区别3 实例

23330
来自专栏chenjx85的技术专栏

leetcode-73-矩阵置零

给定一个 m x n 的矩阵,如果一个元素为 0,则将其所在行和列的所有元素都设为 0。请使用原地算法。

25610
来自专栏desperate633

LintCode 旋转字符串题目分析代码

样例 对于字符串 "abcdefg". offset=0 => "abcdefg" offset=1 => "gabcdef" offset=2 => ...

13920
来自专栏数据结构与算法

25:最长最短单词

25:最长最短单词 总时间限制: 1000ms 内存限制: 65536kB描述 输入1行句子(不多于200个单词,每个单词长度不超过100),只包含字母、空格...

398100
来自专栏前端黑板报

一个数字截取引发的精度问题(四)

这篇是精度问题的最后一篇,要是想看前面的,请看微信历史记录。 做前端的都感觉JS这语言巨坑无比,兼容性让你摸不到头脑,甚至还会让你脱发。一些初学者遇到: 0.1...

257100
来自专栏Python小屋

Python花式编程案例锦集(3)

严格来说,本文的2个代码不算花式编程,在Python中就应该是这样写。 1、生成包含20个随机数的列表,然后删除其中的所有奇数。 from random imp...

371130

扫码关注云+社区

领取腾讯云代金券