【数据分析】数据缺失影响模型效果？是时候需要missingno工具包来帮你了！

数据探索和预处理是任何数据科学或机器学习工作流中的重要步骤。在使用教程或训练数据集时，可能会出现这样的情况：这些数据集的设计方式使其易于使用，并使所涉及的算法能够成功运行。然而，在现实世界中，数据是混乱的！它可能有错误的值、不正确的标签，并且可能会丢失部分内容。

丢失数据可能是处理真实数据集时最常见的问题之一。数据丢失的原因很多，包括传感器故障、数据过时、数据管理不当，甚至人为错误。丢失的数据可能以单个值、一个要素中的多个值或整个要素丢失的形式出现。

重要的是，在进行数据分析或机器学习之前，需要我们对缺失的数据进行适当的识别和处理。许多机器学习算法不能处理丢失的数据，需要删除整行数据，其中只有一个丢失的值，或者用一个新值替换（插补）。

根据数据的来源，缺失值可以用不同的方式表示。最常见的是NaN（不是数字），但是，其他变体可以包括“NA”、“None”、“999”、“0”、“ ”、“-”。如果丢失的数据是由数据帧中的非NaN表示的，那么应该使用np.NaN将其转换为NaN，如下所示。

df.replace('', np.NaN)

missingno 库

Missingno 是一个优秀且简单易用的 Python 库，它提供了一系列可视化，以了解数据帧中缺失数据的存在和分布。这可以是条形图、矩阵图、热图或树状图的形式。

从这些图中，我们可以确定缺失值发生的位置、缺失的程度以及是否有缺失值相互关联。通常，缺失的值可能被视为没有贡献任何信息，但如果仔细分析，可能有潜在的故事。

missingno库可以使用pip命令安装：

pip install missingno

数据集

在本教程中，我们将使用 Xeek and FORCE 2020举办的机器学习竞赛中公开可用数据集的一个子集。竞赛的目的是根据现有的标记数据预测岩性。数据集包括来自挪威海的118口井。

这些数据包含了测井仪器采集的一系列电测量数据。测量结果用于描述地下地质特征和确定合适的油气藏。本文的数据和笔记本可以在 GitHub 中找到

https://github.com/andymcdgeo/missingno_tutorial

导入库和加载数据

该过程的第一步是导入库。在本文中，我们将使用 pandas 来加载和存储我们的数据，并使用 missingno 来可视化数据完整性。

将pandas导入为 pd

import pandas as pd
import missingno as msno
df = pd.read_csv('xeek_train_subset.csv')

Pandas 快速分析

在使用 missingno 库之前，pandas库中有一些特性可以让我们初步了解丢失了多少数据。

第一种是使用.descripe（）方法。这将返回一个表，其中包含有关数据帧的汇总统计信息，例如平均值、最大值和最小值。在表的顶部是一个名为counts的行。在下面的示例中，我们可以看到数据帧中的每个特性都有不同的计数。这提供了并非所有值都存在的初始指示。

我们可以进一步使用.info（）方法。这将返回数据帧的摘要以及非空值的计数。

从上面的例子中我们可以看出，我们对数据的状态和数据丢失的程度有了更简明的总结。

我们可以使用的另一种快速方法是：

df.isna().sum()

这将返回数据帧中包含了多少缺失值的摘要。isna（）部分检测dataframe中缺少的值，并为dataframe中的每个元素返回一个布尔值。sum（）部分对真值的数目求和。

此行返回以下信息

从这个总结中，我们可以看到许多列，即WELL、DEPTH、GROUP、GR 和 LITHOFACIES 没有空值。所有其他的都有大量不同程度的缺失值。

使用 missingno 识别缺失数据

在missingno库中，有四种类型的图用于可视化数据完整性：条形图、矩阵图、热图和树状图。在识别缺失数据方面，每种方法都有自己的优势。

让我们依次看一下这些。

条形图

条形图提供了一个简单的绘图，其中每个条形图表示数据帧中的一列。条形图的高度表示该列的完整程度，即存在多少个非空值。它可以通过调用：

msno.bar(df)

在绘图的左侧，y轴比例从0.0到1.0，其中1.0表示100%的数据完整性。如果条小于此值，则表示该列中缺少值。

在绘图的右侧，用索引值测量比例。右上角表示数据帧中的最大行数。

在绘图的顶部，有一系列数字表示该列中非空值的总数。

在这个例子中，我们可以看到许多列（DTS、DCAL和RSHA）有大量的缺失值。其他列（如WELL、DEPTH_MD和GR）是完整的，并且具有最大的值数。

矩阵图

如果使用深度相关数据或时间序列数据，矩阵图是一个很好的工具。它为每一列提供颜色填充。有数据时，绘图以灰色（或您选择的颜色）显示，没有数据时，绘图以白色显示。

通过调用以下命令可以生成矩阵图：

msno.matrix(df)

如结果图所示，DTS、DCAL和RSHA列显示了大量缺失数据。这是在条形图中确定的，但附加的好处是您可以「查看丢失的数据在数据框中的分布情况」。

绘图的右侧是一个迷你图，范围从左侧的0到右侧数据框中的总列数。上图为特写镜头。当一行的每列中都有一个值时，该行将位于最右边的位置。当该行中缺少的值开始增加时，该行将向左移动。

热图

热图用于确定不同列之间的零度相关性。换言之，它可以用来标识每一列之间是否存在空值关系。

接近正1的值表示一列中存在空值与另一列中存在空值相关。

接近负1的值表示一列中存在空值与另一列中存在空值是反相关的。换句话说，当一列中存在空值时，另一列中存在数据值，反之亦然。

接近0的值表示一列中的空值与另一列中的空值之间几乎没有关系。

有许多值显示为<-1。这表明相关性非常接近100%负。

热图可由以下代码生成：

msno.heatmap(df)

在这里我们可以看到ROP柱与RHOB、NPHI和PEF柱呈轻微的负相关，与RSHA呈轻微的正相关。如果我们看一下DRHO，它的缺失与RHOB、NPHI和PEF列中的缺失值高度相关。

热图方法更适合于较小的数据集。

树状图

树状图提供了一个通过层次聚类生成的树状图，并将空相关度很强的列分组在一起。

如果在零级将多个列组合在一起，则其中一列中是否存在空值与其他列中是否存在空值直接相关。树中的列越分离，列之间关联null值的可能性就越小。

树状图可通过以下方式生成：

msno.dendrogram(df)

在上面的树状图中，我们可以看到我们有两个不同的组。第一个是在右侧（DTS、RSHA和DCAL），它们都具有高度的空值。第二列在左边，其余的列比较完整。

LITHOFACIES, GR, GROUP, WELL, 和 DEPTH_MD 都归为零，表明它们是完整的。

RDEP、ZïLOC、XïLOC和YïLOC组合在一起，接近于零。RMED位于同一个较大的分支中，这表明该列中存在的一些缺失值可以与这四列相关联。

摘要

在应用机器学习之前识别缺失是数据质量工作的一个关键组成部分。这可以通过使用missingno库和一系列可视化来实现，以了解有多少缺失数据存在、发生在哪里，以及不同数据列之间缺失值的发生是如何关联的。