缺失数据在大部分数据分析应用中都很常见，数据的缺失主要包括记录的缺失和记录中某个字段信息的缺失，两者都会造成分析结果的不准确。Python中的pandas库提供了对缺失数据的处理，pandas使用浮点值NaN（Not a Number）表示浮点和非浮点数组中的缺失数据，便于监测。

1.查看数据是否存在缺失值

• 当数量少的时候，可以直接观察看是否存在缺失。

import pandas as pd
import numpy as np
data=pd.read_csv('data\Missing.csv',encoding='gb2312')
data

• 当数据量大的时候，可以用describe()或isnull()函数来判断是否存在缺失。通过describe()的结果可以看出，规模以上工业企业增加值（亿元）、城镇人口比重（%）、总人口数（万人）3列的count值分别为12、15、15条数据，为缺失部分值；而城镇人口数的count为0，表示整个字段缺失。根据isnull()函数的结果同样可以看出，缺失值处为True，非缺失值处为False。
  
  

2.缺失值的处理

缺失值产生有多种原因。有些因暂时无法获取或者获取代价太大而导致缺失。有些可能是因为输入时认为不重要、忘记填写或对数据理解错误等一些人为因素而遗漏，也可能是由于数据采集设备的故障、存储介质的故障、传输媒体故障等非人为原因而丢失。有些属性值不存在，如一个未婚者的配偶姓名、一个儿童的固定收入等，这种缺失值并不意味着数据有错误。所以要根据缺失值产生的原因选择适当的处理方式，缺失值的处理方式主要有删除、填充、不处理。

（1）删除缺失值

DataFrame.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)

• axis：0 or ‘index’表示按行删除；1 or ‘columns’表示按列删除，默认为0。
• how：‘any’表示该行/列至少有一个空值就删除该行/列；‘all’表示该行/列全部为空值就删除该行/列，默认为 ‘any’。
• thresh：int型，表示如果该行/列的非空元素数量小于这个值，就删除该行/列，默认为None。
• subset：行/列的索引列表，表示子集。如果axis=0或者‘index’，subset中元素为列的索引；如果axis=1或者‘column’，subset中元素为行的索引。由subset限制的子区域，删除该区域内存在缺失的行/列。
• inplace：布尔值，表示是否替换。如果为True，则在原DataFrame上进行操作，返回值为None，默认为False。
  
  

（2）填充缺失值

DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)

• value：用于填充缺失值的标量值或字典、元组对象；
• method：插值方式，可选项为‘backfill’、‘bfill’、 ‘pad’、‘ffill’、None，默认为“ffill”。
• axis：0 or ‘index’表示按行填充；1 or ‘columns’表示按列填充，默认为0。
• inplace：布尔值，表示是否替换。如果为True，则在原DataFrame上进行操作，返回值为None，默认为False。
• limit：（对于前向和后向填充）可以连续填充的最大数量。
• downcast：dict，默认为None。

（a）设置value参数：以标量值或字典填充缺失值



（b）设置method参数：‘pad’、‘ffill’用前一个非缺失值填充该缺失值，‘backfill’、‘bfill’用下一个非缺失值去填充该缺失值。
注意，如果前一个或者下一个没有值，则无法填充缺失值。



结合实际情况，对示例数据中的缺失值做如下处理：

• “城镇人口数”整列缺失，并且可以根据“总人口数（万人）”、“城镇人口比重(%)”两列计算所得，采用删除；
• “规模以上工业企业增加值(亿元)” “城镇人口比重(%)” “总人口数(万人)”三列根据历史数据可得，随时间推移有增长趋势，故考虑到缺失值可能最接近上一个年份的数据，采用‘backfill’、‘bfill’方式填充该缺失值。
  
  附：完整代码和数据可通过以下链接自行下载。
  链接：https://pan.baidu.com/s/1bHoczWdBzwU5oKSvq1-pYw
  提取码：7ozq

ps：初衷是通过撰写博文记录自己所学所用，实现知识的梳理与积累；将其分享，希望能够帮到面临同样困惑的小伙伴儿。如发现博文中存在问题，欢迎随时交流~~