Pandas处理DataFrame稀疏数据及维度不匹配数据分析详解

前言

众所周知我们获取的第一手数据往往都是比较杂乱无章的，这些文件保存一般都是csv文件或者是excel文件，读取转换成DataFrame还有可能因为缺少列索引或者是各类数据维度不相等而报错。读取成功为DataFrame仍然有很多问题存在，比如列索引缺失，众多NaN数据以及合并计算问题等，这篇文章将具体解决此场景下的内容。

一、索引缺失

读取缺失量较大的数据时，索引并不是能完全覆盖到的。存在着列索引缺失的问题，这是一个比较头疼的问题，使得我们后面的数据特征无法使用：

这是针对机器学习的数据集特征，面对这种情况我们可以通过重新设置索引的方式，倘若特征之间是有规律的话，例如上表5列以后的数据每列的列索引都是features的话那么我们可以通过reindex的方法给它补全索引：

def deal_defect(df,n):
   df_defect=df.iloc[:,n:]
   m=4
   list_columns=[]
   for i in range(df_defect.shape[1]):
       list_columns.append('features％d'％m)
       m=m+1
   df_defect.columns=list_columns
   df_all=pd.concat([df.iloc[:,:n],df_defect],axis=1)
   return df_all
deal_defect(df,5)

二、负值取正

若是要对整个DataFrame的值都取负数，并不需要挨个列都转再使用abs函数，读取的DataFrame一般都是object类型不能直接使用abs，需要使用astype将dataframe类型转换：

当数据中带有NaN时是不能直接转int的：

df_fill=df.astype('int')

IntCastingNaNError: Cannot convert non-finite values (NA or inf) to integer

但是我们转换为float的时候原始数据集又出现了后面带.0的情况：

这里我们要使用到fillna函数，先转为float取绝对值之后再填充为空值之后替换为-1，这样一来-1的位置就是缺失值的位置，以便于我们识别：

def fill_conver(df):
   df_fill=df.astype('float')
   df_fill=abs(df_fill)
   df_fill=df_fill.fillna('')
   df_fill=df_fill.replace('',-1)
   df_fill=df_fill.astype(int)
   return df_fill
fill_conver(df)

三、提取数值

既然有很多空值我们可以采取侧缺将低于一定比例的数据去除，这部分在上篇缺失值处理文章已经谈到这里不再说明。我们最常遇到的情况就是需要处理空值只提去出相应标签下的数值，这里涉及到列索引的选择和合并操作。例如我们只需要特征列偶数列的数值：

def get_features(df):
   list_all_link=[]
   df=df.iloc[:,2:]
   for i in range(df.shape[0]):
       #flag为控制外层循环开关
       flag=1
       for j in range(df.shape[1]):
           if(flag==0):
               break
           if(j％2==0):
               if(df.iloc[i:i+1,j].item()==-1):
                   flag=0
               else:
                   list_all_link.append(list(df.iloc[i:i+1,j]))
   return list_all_link
get_features(df)

四、提取唯一值

如果我们需要只需要取到的数列中的唯一值，需要对数据集进行处理，可以使用ravel()和unique()函数。此时我们还需要注意删掉-1：

def unique_df(df):
   df_features=df.iloc[:,2:]
   unique_series=pd.Series(pd.Series(df_features.iloc[:,[i％2==0 for i in range(len(df_features.columns))]].values.ravel()).unique())
   list_series=list(unique_series.values)
   return list_series
unique_list=unique_df(df)
unique_list.remove(-1)
unique_list

来源：https://juejin.cn/post/7200288095559581752