Python-data-science-python-data-cleansing
Python-データクレンジング
現実のシナリオでは、データの欠落は常に問題です。 機械学習やデータマイニングなどの分野は、欠損値が原因でデータの品質が低下するため、モデル予測の精度に重大な問題があります。 これらの領域では、欠損値の処理がモデルをより正確かつ有効にするための主要な焦点です。
データが欠落するタイミングと理由
製品のオンライン調査について考えてみましょう。 多くの場合、人々は自分に関連するすべての情報を共有しません。 経験を共有している人はほとんどいませんが、製品を使用している期間はありません。製品を使用している期間、経験は共有しているが、連絡先情報は共有していない人はほとんどいません。 したがって、何らかの方法でデータの一部が常に欠落しています。これはリアルタイムでは非常に一般的です。
パンダを使用して欠損値(NAやNaNなど)を処理する方法を見てみましょう。
# import the pandas library
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df
その*出力*は次のとおりです-
one two three
a 0.077988 0.476149 0.965836
b NaN NaN NaN
c -0.390208 -0.551605 -2.301950
d NaN NaN NaN
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
g NaN NaN NaN
h 0.085100 0.532791 0.887415
インデックスの再作成を使用して、欠損値のあるDataFrameを作成しました。 出力では、 NaN は* Not a Number。*を意味します。
欠損値の確認
欠損値の検出を容易にするため(および異なる配列dtype全体)、PandasはSeriesおよびDataFrameオブジェクトのメソッドでもある* isnull()および notnull()*関数を提供します-
例
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df['one'].isnull()
その*出力*は次のとおりです-
a False
b True
c False
d True
e False
f False
g True
h False
Name: one, dtype: bool
欠損データのクリーニング/充填
パンダは、欠損値をクリーニングするためのさまざまな方法を提供します。 fillna関数は、次のセクションで説明したように、いくつかの方法でNA値に非NULLデータを「埋める」ことができます。
NaNをスカラー値に置き換える
次のプログラムは、「NaN」を「0」に置き換える方法を示しています。
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(3, 3), index=['a', 'c', 'e'],columns=['one',
'two', 'three'])
df = df.reindex(['a', 'b', 'c'])
print df
print ("NaN replaced with '0':")
print df.fillna(0)
その*出力*は次のとおりです-
one two three
a -0.576991 -0.741695 0.553172
b NaN NaN NaN
c 0.744328 -1.735166 1.749580
NaN replaced with '0':
one two three
a -0.576991 -0.741695 0.553172
b 0.000000 0.000000 0.000000
c 0.744328 -1.735166 1.749580
ここでは、値ゼロで埋めています。代わりに、他の値を入力することもできます。
NAを前後に埋める
ReIndexingの章で説明した充填の概念を使用して、欠損値を充填します。
Method | Action |
---|---|
pad/fill | Fill methods Forward |
bfill/backfill | Fill methods Backward |
例
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.fillna(method='pad')
その*出力*は次のとおりです-
one two three
a 0.077988 0.476149 0.965836
b 0.077988 0.476149 0.965836
c -0.390208 -0.551605 -2.301950
d -0.390208 -0.551605 -2.301950
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
g -0.930230 -0.670473 1.146615
h 0.085100 0.532791 0.887415
欠損値を削除
欠損値を単純に除外したい場合は、 axis 引数と共に dropna 関数を使用します。 デフォルトでは、axis = 0、つまり行に沿っています。つまり、行内の値がNAの場合、行全体が除外されます。
例
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index=['a', 'c', 'e', 'f',
'h'],columns=['one', 'two', 'three'])
df = df.reindex(['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h'])
print df.dropna()
その*出力*は次のとおりです-
one two three
a 0.077988 0.476149 0.965836
c -0.390208 -0.551605 -2.301950
e -2.000303 -0.788201 1.510072
f -0.930230 -0.670473 1.146615
h 0.085100 0.532791 0.887415
欠落している(または)汎用値を置換する
多くの場合、一般的な値を特定の値に置き換える必要があります。 replaceメソッドを適用することでこれを実現できます。
NAをスカラー値に置き換えることは、* fillna()*関数と同等の動作です。
例
import pandas as pd
import numpy as np
df = pd.DataFrame({'one':[10,20,30,40,50,2000],
'two':[1000,0,30,40,50,60]})
print df.replace({1000:10,2000:60})
その*出力*は次のとおりです-
one two
0 10 10
1 20 0
2 30 30
3 40 40
4 50 50
5 60 60