python数据预处理

1. #1.处理缺失数据

2. ##识别出数据中的缺失值：以逗号分隔符(csv)文件为例
   

import pandas as pd
csv_data=pd.read_csv('./data/mydata.csv')
print(csv_data)

从输出结果我们可以看到，缺失的单元格数据被NaN所取代

`csv_data.isnull().sum()#输出每列缺失值

##删除缺失值
删除行（删除某个样本）
csv_data.dropna(axis=0)
删除列（删除某个特征）
csv_data.dropna(axis=1)
##填补缺失值
虽然删除缺失值使得数据处理非常分方便，但是缺点还是有的，比如因为删除过多而导致分析边的不可靠，删除太多特征列而导致无法获得有价值的信息。所以建议使用插值技术。
##填补缺失的数据
均值插补技术：用整个列的均值插补空缺的值
最方便的实现方式是用skitlearn的Imputer

标签：删除,python,数据,dropna,缺失,##,csv,data,预处理
来源： https://blog.csdn.net/iambaixiaocheng/article/details/102755359