python - 替换数据框中的 NaN 截断数字

Question

我试图理解为什么用空格替换 NaN 会减少显示位数。

我有数据框:

0    -3.030889       -3.510211       -3.502291       -3.502357       -3.502817
1    -3.460590             NaN       -3.584687             NaN             NaN
2    -2.151932       -2.504276       -2.494087       -2.493053       -2.493741
3    -2.462477             NaN       -2.556205             NaN             NaN
4    -1.712807       -1.906281       -1.902953       -1.902297       -1.902253
5    -1.883432             NaN       -1.932924             NaN             NaN

使用 `df = df.replace(np.nan, '', regex=True) 后，一些数字显示为 5 位小数。

0    -3.030889       -3.51021       -3.502291       -3.50236       -3.50282
1    -3.460590                      -3.584687                                                        
2    -2.151932       -2.50428       -2.494087       -2.49305       -2.49374
3    -2.462477                      -2.556205                                                        
4    -1.712807       -1.90628       -1.902953        -1.9023       -1.90225
5    -1.883432                      -1.932924                               

我如何控制它并保持像第一个 DataFrame 中那样呈现数字的精度？

Answer 1

正如评论所暗示的，你失去精度的原因是因为当你将一个字符串弹出到一列 float 中时，pandas 被迫将该列的 dtype 转换为 object 。我将尝试详细说明这个答案中的要点。这是一个例子:

import pandas as pd
import numpy as np
NaN = np.NaN

rows = [[-3.030889, -3.510211, -3.502291, -3.502357, -3.502817],
        [-3.460590, NaN, -3.584687, NaN, NaN],
        [-2.151932, -2.504276, -2.494087, -2.493053, -2.493741],
        [-2.462477, NaN, -2.556205, NaN, NaN],
        [-1.712807, -1.906281, -1.902953, -1.902297, -1.902253],
        [-1.883432, NaN, -1.932924, NaN, NaN]]

df = pd.DataFrame(rows)
print(df)
print(df.dtypes)
print()

new_df = df.replace(np.nan, '', regex=True)
print(new_df)
print(new_df.dtypes)

输出:

          0         1         2         3         4
0 -3.030889 -3.510211 -3.502291 -3.502357 -3.502817
1 -3.460590       NaN -3.584687       NaN       NaN
2 -2.151932 -2.504276 -2.494087 -2.493053 -2.493741
3 -2.462477       NaN -2.556205       NaN       NaN
4 -1.712807 -1.906281 -1.902953 -1.902297 -1.902253
5 -1.883432       NaN -1.932924       NaN       NaN
0    float64
1    float64
2    float64
3    float64
4    float64
dtype: object

          0        1         2        3        4
0 -3.030889 -3.51021 -3.502291 -3.50236 -3.50282
1 -3.460590          -3.584687
2 -2.151932 -2.50428 -2.494087 -2.49305 -2.49374
3 -2.462477          -2.556205
4 -1.712807 -1.90628 -1.902953  -1.9023 -1.90225
5 -1.883432          -1.932924
0    float64
1     object
2    float64
3     object
4     object
dtype: object

请注意，任何列都有 NaN替换为''现在类型为 object (上例中的第 1、3 和 4 列)。转换为对象时不仅会失去精度，还会失去语义。您的数据不再都是 float64 类型。因此，如果您尝试对列进行某些操作，将会很困难，因为列项并不都是同一类型。

如果我们进入pdb (通过调用 import pdb; pdb.set_trace() )在上面代码片段的末尾我们可以很容易地看到这一点:

(Pdb) df[1].apply(lambda x: x**2)
0    12.321581
1          NaN
2     6.271398
3          NaN
4     3.633907
5          NaN
Name: 1, dtype: float64
(Pdb) new_df[1].apply(lambda x: x**2)
*** TypeError: unsupported operand type(s) for ** or pow(): 'str' and 'int'

您可能希望将所有内容保留为 float64 。 问题是，你用什么来替换 NaN与？答案是:这取决于情况。只有您知道您的数据及其代表的内容。这里有几个选项(还有无数个选项):

您可以选择将它们保留为 NaN s，这可能适合您正在做的事情。

>>> np.NaN ** 2
nan
>>> np.NaN - 100
nan
>>> np.sqrt(np.NaN)
nan

浮点运算不会执行任何操作:数据将保持为 NaN 。一些 python 库还处理 NaN开箱即用。

另一个选择是替换 NaN s 与一些其他浮点值。 WLOG，假设您正在尝试计算列之间的欧几里得距离，并且该距离代表您的模型的某些内容或代表您的问题的某些值。

您可以替换 NaN具有一些“遥远”的值(value)。如果您的数据的范围为 [-1, 1](就像正弦数据一样)，那么一个好的替代值可能是 -999。可以肯定的是，-999 会推送带有 NaN 的列。与其他柱足够远。欧几里得距离。因此，如果您想用 NaN “惩罚”列，那么这就是您可能要做的。

OTOH，也许您希望包含 NaN 的列仅“平均”。欧氏距离(所以本质上只需用范围内的合理值填充 NaN 即可)。 0 位于 [-1, 1] 的中间，因此它可能是一个不错的选择。这意味着NaN s 不会真正“惩罚”或“帮助”w.r.t.欧几里得距离。您还可以采用平均值(或其他形式的插值)来计算缺失值。例如，如果您的列向量是 [0, 1, NaN, .5, NaN, .7] ，您可能需要将其替换为 [0, 1, .75, .5, .6, .7] (线性插值)。

只有您才能决定合适的替代品。

当有疑问时，尝试一些事情。很难预测特定的替代品将如何影响大型管道的结果。如果下游没有得到预期的结果，请适当调整替换策略，然后再试一次。

每种替换策略都有优点和缺点，并且会给您的下游模型/管道带来偏差:只需了解您所做的事情，并有充分的理由解释奇怪的结果并解释您可能引入的偏差。

您可以更换 float64像这样(扩展上面的代码):

fill_value = 0.0 # Make sure it's a float. Only you can decide what it should be.
float_df = df.fillna(fill_value)
print(float_df)
print(float_df.dtypes)

输出(保持观察精度):

          0         1         2         3         4
0 -3.030889 -3.510211 -3.502291 -3.502357 -3.502817
1 -3.460590  0.000000 -3.584687  0.000000  0.000000
2 -2.151932 -2.504276 -2.494087 -2.493053 -2.493741
3 -2.462477  0.000000 -2.556205  0.000000  0.000000
4 -1.712807 -1.906281 -1.902953 -1.902297 -1.902253
5 -1.883432  0.000000 -1.932924  0.000000  0.000000
0    float64
1    float64
2    float64
3    float64
4    float64
dtype: object