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