新专栏《数据挖掘（分析）面经》

第一篇：缺失值处理方法

对于从事数据相关工作的小伙伴，面试的时候经常会被问到如何进行缺失值/异常值的处理，本文来梳理一下填补缺失值的7种方法。

示例数据
本文所使用的示例数据创建如下：

import pandas as pd
import numpy as np

data = pd.DataFrame({
    'name': ['Bob', 'Mary', 'Peter', np.nan, 'Lucy'],
    'score': [99, 100, np.nan, 91, 95],
    'class': ['class1', 'class2', 'class1', 'class2', np.nan],
    'sex': ['male', 'fmale', 'male', 'male', 'fmale'],
    'age': [23, 25, 20, 19, 24]
})

一、均值填充

• 适用数据类型：数值类型
• 适用场景：数据整体极值差异不大时
• 举例：对成年男性身高的缺失值进行填充
• 代码示例：对data数据中的score进行均值填充

data['score'].fillna(data['score'].mean())

# 结果如下
0     99.00
1    100.00
2     96.25
3     91.00
4     95.00

二、中位数填充

• 适用数据类型：数值类型
• 适用场景：数据整体极值差异较大时
• 举例：对人均收入进行填充（数据中含有高收入人群：如马总）
• 代码示例：对data数据中的score进行中位数填充

data['score'].fillna(data['score'].median())

# 结果如下
0     99.0
1    100.0
2     97.0
3     91.0
4     95.0

三、众数填充

• 适用数据类型：字符类型｜没有大小关系的数值类型数据
• 适用场景：大多数情况下
• 举例：对城市信息的缺失进行填充/对工人车间编号进行填充
• 代码示例：对data数据中的class进行众数填充（注意：众数填充时要通过索引0进行取值，一组数据的众数可能有多个，索引为0的数据一定会存在）

data['class'].fillna(data['class'].mode()[0])

# 结果如下
0    class1
1    class2
2    class1
3    class2
4    class1

四、前后数据填充

• 适用数据类型：数值类型｜字符类型
• 适用场景：数据行与行之间具有前后关系时
• 举例：学年成绩排行中的某同学某科目成绩丢失
• 代码示例：对data数据中的score进行前后数据填充

# 前文填充
data['score'].fillna(method='pad')
# 后文填充
data['score'].fillna(method='bfill')

# 前文填充结果
0     99.0
1    100.0
2    100.0
3     91.0
4     95.0
# 后文填充结果
0     99.0
1    100.0
2     91.0
3     91.0
4     95.0

五、自定义数据填充

• 适用数据类型：数值类型｜字符类型
• 适用场景：业务规定外的数据
• 举例：某调查问卷对婚后幸福程度进行调查，到那时很多人是未婚，可以自定义内容表示未婚人群
• 代码示例：对data数据中的name进行自定义数据填充

data['name'].fillna('no_name')

# 结果如下
0        Bob
1       Mary
2      Peter
3    no_name
4       Lucy

六、Pandas插值填充

• 适用数据类型：数值类型
• 适用场景：数据列的含义较为复杂，需要更精确的填充方法时
• 举例：对所有带有nan的数值列dataframe进行填充
• 说明：pandas中进行空值填充的方法为interpolate()，该方法的本质是使用各种数学（统计学）中的插值方法进行填充，其中包含最近邻插值法、阶梯插值、线性插值、B样条曲线插值等多种方法。
• 参数说明：interpolate()参数介绍
• 代码示例：

data['score'].interpolate()

# 结果如下
0     99.0
1    100.0
2     95.5
3     91.0
4     95.0

七、机器学习算法填充

• 适用数据类型：数值类型｜字符类型
• 适用场景：具有多种数据维度的场景
• 说明：可以选择不同的回归｜分类模型对数据进行填充
• 注意：下面的例子中不考虑具体场景，只是用于举例
• 数值类型数据填充代码示例（线性回归）：

from sklearn.linear_model import LinearRegression

# 获取数据
data_train = data.iloc[[0, 1, 3]]

data_train_x = data_train[['age']]
data_train_y = data_train['score']
# 使用线性回归进行拟合
clf = LinearRegression()
clf.fit(data_train_x, data_train_y)
# 使用预测结果进行填充
data['score'].iloc[2] = clf.predict(pd.DataFrame(data[['age']].iloc[2]))

• 字符类型数据填充代码示例（决策树）：

from sklearn.tree import DecisionTreeClassifier

# 获取数据
data_train = data.iloc[[0, 1, 3]]

data_train_x = data_train[['age']]
data_train_y = data_train['class']
# 使用决策树进行拟合
clf = DecisionTreeClassifier()
clf.fit(data_train_x, data_train_y)
# 使用分类结果进行填充
data['class'].iloc[4] = clf.predict(pd.DataFrame(data[['age']].iloc[4]))[0]