缺失数据处理-插值法
在数据挖掘中,原始海量的数据中存在着大量不完整、不一致、有异常、偏离点的数据。这些问题数据轻则影响数据挖掘执行效率,重则影响执行结果。因此数据预处理工作必不可少,而其中常见工作的就是数据集的缺失值处理。
数据缺失值处理可分两类。一类是删除缺失数据,一类是进行数据插补。前者比较简单粗暴,但是这种方法最大的局限就是它是以减少历史数据来换取数据的完备,会造成资源的大量浪费,尤其在数据集本身就少的情况下,删除记录可能会直接影响分析结果的客观性和准确性
本文介绍数据常用的插补方法。对拉格朗日插值法和滑动平均窗口法进行重点介绍和实现。
介绍
常用的插值方法如下:
这里只对插值法和窗口滑动平均进行介绍。
滑动平均窗口法
概念:
一个列表a 中的第 i 个位置数据为缺失数据,则取前后 window 个数据的平均值,作为插补数据。
示例:
a = [3,4,5,6,None,4,5,2,5] 、 window = 3
则 None位置的数据为:(4+5+6+4+5+2)/6 = 2.67
拉格朗日插值法
概念
根据数学概念可知,对于平面上已知的n个点(无两点在一条直线上)可以找到一个n-1次的多项式,使此多项式通过这n个点。
因此我们需先求得多项式函数L(x),然后将缺失值对应的点x带入插值多项式得到缺失值的近似值L(x)。多项式函数L(x)的求法如下:
实现
代码
# coding:utf-8
# 拉格朗日插值代码
import pandas as pd # 导入数据分析库Pandas
from scipy.interpolate import lagrange # 导入拉格朗日插值函数
# 构建原始数据
data = pd.DataFrame([
["2015/3/1", 59],
["2015/2/28", 2618.2],
["2015/2/27", 2608.4],
["2015/2/26", 2651.9],
["2015/2/25", 3442.1],
["2015/2/24", 3393.1],
["2015/2/23", 3136.6],
["2015/2/22", 3744.1],
["2015/2/21", ],
["2015/2/20", 4060.3],
["2015/2/19", 3614.7],
["2015/2/18", 3295.5],
["2015/2/16", 2332.1],
["2015/2/15", 2699.3],
["2015/2/14", ],
["2015/2/13", 3036.8],
["2015/2/12", 1865],
["2015/2/11", 3014.3],
["2015/2/10", 2742.8],
["2015/2/9", 2173.5],
["2015/2/8", 3161.8],
["2015/2/7", 3023.8],
["2015/2/6", 2998.1],
], columns=[u'日期', u'销量'])
# 设置异常值,把销量大于5000和销量小于400的异常值替换为None
data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None
# 把要处理的数据取出来,pandas中dataframe格式单独取出一列就是series数据格式
tmp_data_1 = data[u'销量'].copy()
tmp_data_2 = data[u'销量'].copy()
def ployinterp_column(series, pos, window=5):
"""
:param series: 列向量
:param pos: 被插值的位置
:param window: 为取前后的数据个数
:return:
"""
y = series[list(range(pos - window, pos)) + list(range(pos + 1, pos + 1 + window))] # 取数
y = y[y.notnull()] # 剔除空值
return lagrange(y.index, list(y))(pos) # 插值并返回插值结果
def sma_mothod(series, pos, window=5):
"""
:param series: 列向量
:param pos: 被插值的位置
:param window: 为取前后的数据个数
:return:
"""
y = series[list(range(pos - window, pos)) + list(range(pos + 1, pos + 1 + window))] # 取数
y = y[y.notnull()]
return reduce(lambda a, b: a + b, y) / len(y)
for j in range(len(tmp_data_1)):
if (tmp_data_1.isnull())[j]: # 如果为空即插值。
tmp_data_1[j] = ployinterp_column(tmp_data_1, j)
print j, data.loc[j, u'日期'], tmp_data_1[j]
print
for j in range(len(tmp_data_2)):
if (tmp_data_2.isnull())[j]: # 如果为空即插值。
tmp_data_2[j] = sma_mothod(tmp_data_2, j)
print j, data.loc[j, u'日期'], tmp_data_2[j]
输出
0 2015/3/1 -291.4
8 2015/2/21 4275.25476248
14 2015/2/14 3680.66999227
0 2015/3/1 2942.74
8 2015/2/21 3236.97
14 2015/2/14 2883.43
分析
对比之下,滑动窗口方法的输出都还比较合理。但显而易见的是拉格朗日插值对0位置的数据处理的很不好,插值为
-291.4。拟合点的数据格式为(x,y),具体数据:(1, 2618.2), (2, 2608.4),(3, 2651.9),(4,
3442.1), (5, 3393.1)。我们把拉格朗日多项式打印出来:
L(x) = -94.97 x^4 + 1065 x^3 - 3991 x^2 + 5930 x^1 - 291.4
把 x= 0 带入得到 L(x),就得到了 -291.4。这里x=0就是L(x)的截距。直观感觉就不太合理,猜测就是拉格朗日插值法对边缘数据敏感(即插值需要左右两边数据提供信息,在缺失左边数据信息情况下,得到的结果就不太合理),日后求证!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《刘静:10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda ...
2025-04-23大咖简介: 刘凯,CDA大咖汇特邀讲师,DAMA中国分会理事,香港金管局特聘数据管理专家,拥有丰富的行业经验。本文将从数据要素 ...
2025-04-22CDA持证人简介 刘伟,美国 NAU 大学计算机信息技术硕士, CDA数据分析师三级持证人,现任职于江苏宝应农商银行数据治理岗。 学 ...
2025-04-21持证人简介:贺渲雯 ,CDA 数据分析师一级持证人,互联网行业数据分析师 今天我将为大家带来一个关于用户私域用户质量数据分析 ...
2025-04-18一、CDA持证人介绍 在数字化浪潮席卷商业领域的当下,数据分析已成为企业发展的关键驱动力。为助力大家深入了解数据分析在电商行 ...
2025-04-17CDA持证人简介:居瑜 ,CDA一级持证人,国企财务经理,13年财务管理运营经验,在数据分析实践方面积累了丰富的行业经验。 一、 ...
2025-04-16持证人简介: CDA持证人刘凌峰,CDA L1持证人,微软认证讲师(MCT)金山办公最有价值专家(KVP),工信部高级项目管理师,拥有 ...
2025-04-15持证人简介:CDA持证人黄葛英,ICF国际教练联盟认证教练,前字节跳动销售主管,拥有丰富的行业经验。在实际生活中,我们可能会 ...
2025-04-14在 Python 编程学习与实践中,Anaconda 是一款极为重要的工具。它作为一个开源的 Python 发行版本,集成了众多常用的科学计算库 ...
2025-04-14随着大数据时代的深入发展,数据运营成为企业不可或缺的岗位之一。这个职位的核心是通过收集、整理和分析数据,帮助企业做出科 ...
2025-04-11持证人简介:CDA持证人黄葛英,ICF国际教练联盟认证教练,前字节跳动销售主管,拥有丰富的行业经验。 本次分享我将以教培行业为 ...
2025-04-11近日《2025中国城市长租市场发展蓝皮书》(下称《蓝皮书》)正式发布。《蓝皮书》指出,当前我国城市住房正经历从“增量扩张”向 ...
2025-04-10在数字化时代的浪潮中,数据已经成为企业决策和运营的核心。每一位客户,每一次交易,都承载着丰富的信息和价值。 如何在海量客 ...
2025-04-09数据是数字化的基础。随着工业4.0的推进,企业生产运作过程中的在线数据变得更加丰富;而互联网、新零售等C端应用的丰富多彩,产 ...
2025-04-094月7日,美国关税政策对全球金融市场的冲击仍在肆虐,周一亚市早盘,美股股指、原油期货、加密货币、贵金属等资产齐齐重挫,市场 ...
2025-04-08背景 3月26日,科技圈迎来一则重磅消息,苹果公司宣布向浙江大学捐赠 3000 万元人民币,用于支持编程教育。 这一举措并非偶然, ...
2025-04-07在当今数据驱动的时代,数据分析能力备受青睐,数据分析能力频繁出现在岗位需求的描述中,不分岗位的任职要求中,会特意标出“熟 ...
2025-04-03在当今数字化时代,数据分析师的重要性与日俱增。但许多人在踏上这条职业道路时,往往充满疑惑: 如何成为一名数据分析师?成为 ...
2025-04-02最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31