前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >左手用R右手Python系列8——数据去重与缺失值处理

左手用R右手Python系列8——数据去重与缺失值处理

作者头像
数据小磨坊
发布2018-04-11 17:13:02
1.8K0
发布2018-04-11 17:13:02
举报
文章被收录于专栏:数据小魔方

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
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2017-08-10,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 数据小魔方 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档