python数据处理—None/NULL/NaN的理解及实际应用情况

文章目录

一、python中None、null和NaN
- 1、None
- 2、NaN
二、实际应用
- 1、使用read_sql读取null数据显示NaN
- 2、使用read_csv读取null数据显示为字符串null

一、python中None、null和NaN

注意：python中没有null，只有和其意义相近的None。

1、None

1）数据类型
None表示空值，一个特殊Python对象，None的类型是NoneType。
None是NoneType数据类型的唯一值，我们不能创建其它NoneType类型的变量，但是可以将None赋值给任何变量。

type(None) #该值是一个空对象，空值是python里面一个特殊的值，用None表示。None不能理解为0，因为0是有意义，而None是一个特殊的空值。
type('')

2）特征：

None不支持任何运算
None和任何其他数据类型比较永远返回False
None有自己的数据类型NoneType，不能创建其他NoneType对象。（它只有一个值None）
None与0、空列表、空字符串不一样。
None赋值给任何变量，也可以给None值变量赋值
None没有像len、size等属性，要判断一个变量是否为None，直接使用。

None==0 
None==‘’
None==False
dir(None) #返回参数属性、方法列表

3）作为没有return关键函数的返回值

对于所有没有return语句的函数定义，python都会在末尾加上return None，使用不带值的return语句（也就是只有return关键字本身），那么就返回None。

def fun1():
	print('test')
result=fun()
print(result)

2、NaN

1）当使用Numpy或者Pandas处理数据的时候，会自动将条目中没有数据转换为NaN。

import pandas as pd
df=pd.read_csv('F:\\python_test\\demo.csv',header=None)
print(df)

原数据为下图：

2）特征

NaN是没有办法和任何数据进行比较
它和任何值都不相等，包括他自己。
它的数类型是float，但是和任何值做计算的结果都是NaN

frame= pd.DataFrame([[1, 2, 3], 
                    [2, 3, 4],
                    [3, 4, np.nan]],
                   index=list('abc'), columns=list('ABC'))
num=frame.iloc[2,2]
result=num+2
result

二、实际应用

1、使用read_sql读取null数据显示NaN

使用hive进行数据清洗、特征处理后，用python读取hive数据库下的整理好的表。一般使用pyhive连续数据库，pandas读取数据。

pandas读取hive数据库下面的数据表

1、如果数据表字段为string格式，pandas读取后在python中该字段数据格式为object，如果该字段中含有 NULL 值，读取会直接转换成字符串** ‘NULL’ **，如果该字段中含有’’（空值），读取直接转换成字符串 ** ‘’ **。
2、如果数据表字段为int格式，pandas读取后在python中该字段数据格式为float64，如果该字段中含有 NULL 值或者 ‘’（空值），读取直接转换成字符串 NaN。

如果数据库表的字段为string，字段中含NULL，多数意义就是默认为空值或者异常数值，使用pd.DataFrame或者read_sql()读取，默认为字符串‘NULL’。因此对此进行数值处理会导致很多报错（比如ValueError: could not convert string to float: ‘NULL’），比如想要在python转换数据类型的时候，或者想要对null进行缺失值填充等等。因此想要将“NULL”转换成“NaN”，后续更加方便。

from pyhive import hive
import pandas as pd
import numpy as np

#缺失值统计
def na_count(data):
    data_count=data.count()
    na_count=len(data)-data_count
    na_rate=na_count/len(data)
    na_result=pd.concat([data_count,na_count,na_rate],axis=1)
    return na_result


sql='''select is_vice_card,online_days,age,payment_type
,star_level_int,cert_cnt,channel_nbr,payment_method_variable,package_price_group,white_flag
 from database.v1_6_501_train_test'''
 
con=hive.connect(host='b1m6.hdp.dc',port=10000,auth='KERBEROS',kerberos_service_name="hive") 
cursor=con.cursor()
cursor.execute(sql) #执行sql
result=cursor.fetchall()
data_pos_1=pd.DataFrame(result,columns=['is_vice_card',
		'online_days',
		'calling_cnt',
		'age',
		'payment_type',
		'star_level_int',
		'cert_cnt',
		'channel_nbr',
		'payment_method_variable',
		'package_price_group'])

print("未将‘NULL’替换成np.nan,查看train_data的缺失值：\n",na_count(data_pos_1))

#将str字段中的null转换成空值		
data_pos_1.loc[data_pos_1['is_vice_card']=='NULL','is_vice_card'] = np.nan
data_pos_1.loc[data_pos_1['online_days']=='NULL','online_days'] = np.nan
data_pos_1.loc[data_pos_1['age']=='NULL','age'] = np.nan
data_pos_1.loc[data_pos_1['payment_type']=='NULL','payment_type'] = np.nan
data_pos_1.loc[data_pos_1['star_level_int']=='NULL','star_level_int'] = np.nan
data_pos_1.loc[data_pos_1['cert_cnt']=='NULL','cert_cnt'] = np.nan
data_pos_1.loc[data_pos_1['channel_nbr']=='NULL','channel_nbr'] = np.nan
data_pos_1.loc[data_pos_1['payment_method_variable']=='NULL','payment_method_variable'] = np.nan
data_pos_1.loc[data_pos_1['package_price_group']=='NULL','package_price_group'] = np.nan

print("将‘NULL’替换成np.nan,查看train_data的缺失值：\n",na_count(data_pos_1))

运行代码，结果显示：

查看未将“NULL”替换成np.nan,data_pos_1的缺失值：
                             0  1    2
is_vice_card             8289  0  0.0
online_days              8289  0  0.0
calling_cnt              8289  0  0.0
age                      8289  0  0.0
payment_type             8289  0  0.0
star_level_int           8289  0  0.0
cert_cnt                 8289  0  0.0
channel_nbr              8289  0  0.0
payment_method_variable  8289  0  0.0
package_price_group      8289  0  0.0

查看将“NULL”替换成np.nan,data_pos_1的缺失值：;
                             0     1         2
is_vice_card             7854   435  0.052479
online_days              7854   435  0.052479
calling_cnt              8289     0  0.000000
age                      7854   435  0.052479
payment_type             7854   435  0.052479
star_level_int           7830   459  0.055375
cert_cnt                 6134  2155  0.259983
channel_nbr              7847   442  0.053324
payment_method_variable  7890   399  0.048136
package_price_group      8289     0  0.000000

也可以在数据库表建立将字段设置为int。

2、使用read_csv读取null数据显示为字符串null

一般默认为NaN

import pandas as pd
data_pos=pd.read_csv(file_pos,encoding='utf-8')
data_pos.head(10)

显示为字符串为null

import pandas as pd
data_pos=pd.read_csv(file_pos,encoding='utf-8', na_filter=False)
#或
data_pos=pd.read_csv(file_pos,encoding='utf-8', keep_default_na=False)

#查看data_pos数据格式
data_pos[data_pos['online_days']=='NULL'].head(10)

文章出处登录后可见！

已经登录？立即刷新