你如何使用 numpy/scipy 处理丢失的数据？

Question

我在数据清理中最常处理的一件事是缺失值。 R 使用其“NA”缺失数据标签很好地处理了这个问题。 在 python 中，似乎我将不得不处理掩码数组，这似乎是设置的主要痛苦并且似乎没有很好的文档记录。 关于在 Python 中简化此过程的任何建议？ 这正在成为使用 Python 进行数据分析的一大障碍。 谢谢

更新自从我查看 numpy.ma 模块中的方法以来，显然已经有一段时间了。 看来至少基本的分析函数可用于掩码数组，并且提供的示例帮助我了解如何创建掩码数组（感谢作者）。 我想看看Python中的一些较新的统计方法（在今年的GSoC中开发）是否包含了这方面的内容，并且至少做了完整的案例分析。

Answer 1

如果你愿意考虑一个库，pandas (http://pandas.pydata.org/) 是一个建立在 numpy 之上的库，它提供了许多其他东西：

智能数据对齐和缺失数据的集成处理：在计算中获得基于标签的自动对齐，轻松将凌乱的数据处理成有序的形式

我已经在金融行业使用它将近一年了，在这个行业中，丢失和不一致的数据是常态，它确实让我的生活更轻松。

Answer 2

我也质疑掩码数组的问题。 下面是几个例子：

import numpy as np
data = np.ma.masked_array(np.arange(10))
data[5] = np.ma.masked # Mask a specific value

data[data>6] = np.ma.masked # Mask any value greater than 6

# Same thing done at initialization time
init_data = np.arange(10)
data = np.ma.masked_array(init_data, mask=(init_data > 6))

Answer 3

正如 DpplerShift 所描述的，掩码数组是答案。 为了快速和肮脏的使用，您可以对布尔数组使用花哨的索引：

>>> import numpy as np
>>> data = np.arange(10)
>>> valid_idx = data % 2 == 0 #pretend that even elements are missing

>>> # Get non-missing data
>>> data[valid_idx]
array([0, 2, 4, 6, 8])

您现在也可以使用 valid_idx 作为其他数据的快速掩码

>>> comparison = np.arange(10) + 10
>>> comparison[valid_idx]
array([10, 12, 14, 16, 18])

Answer 4

参见sklearn.preprocessing.Imputer

import numpy as np
from sklearn.preprocessing import Imputer
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
imp.fit([[1, 2], [np.nan, 3], [7, 6]])
X = [[np.nan, 2], [6, np.nan], [7, 6]]
print(imp.transform(X))  

来自http://scikit-learn.org/ 的示例