Práce s chybějícími daty

Exploratory Data Analysis in Python

George Boorman

Curriculum Manager, DataCamp

Proč jsou chybějící data problém?

  • Ovlivňuje rozdělení dat
    • Chybějící výšky vyšších studentů
  • Méně reprezentativní vůči populaci
    • Určité skupiny jsou nadměrně zastoupeny, např. chybějící data o nejstarších studentech
  • Může vést k nesprávným závěrům

Srovnání rozdělení výšky ve vzorku a populaci – vzorek má nižší maximum i průměr

Exploratory Data Analysis in Python

Pracovní data datových specialistů

Sloupec Popis Datový typ
Working_Year Rok získání dat Float
Designation Pracovní pozice String
Experience Úroveň zkušeností, např. "Mid", "Senior" String
Employment_Status Typ pracovního úvazku, např. "FT", "PT" String
Employee_Location Země zaměstnání String
Company_Size Označení velikosti firmy, např. "S", "M", "L" String
Remote_Working_Ratio Podíl práce na dálku v procentech Integer
Salary_USD Mzda v amerických dolarech Float
Exploratory Data Analysis in Python

Mzda podle úrovně zkušeností

Krabicový graf mezd podle úrovně zkušeností v čistém datasetu s horní hranicí přibližně 600 000 USD

Krabicový graf mezd podle úrovně zkušeností v datasetu s chybějícími hodnotami s horní hranicí přibližně 450 000 USD

Exploratory Data Analysis in Python

Kontrola chybějících hodnot

print(salaries.isna().sum())

Working_Year            12
Designation             27
Experience              33
Employment_Status       31
Employee_Location       28
Company_Size            40
Remote_Working_Ratio    24
Salary_USD              60
dtype: int64
Exploratory Data Analysis in Python

Strategie pro práci s chybějícími daty

  • Odebrání chybějících hodnot
    • 5 % nebo méně z celkového počtu hodnot
  • Imputace průměrem, mediánem, modem
    • Závisí na rozdělení a kontextu
  • Imputace podle podskupiny
    • Různé úrovně zkušeností mají různý medián mzdy
Exploratory Data Analysis in Python

Odebírání chybějících hodnot

threshold = len(salaries) * 0.05
print(threshold)

30
Exploratory Data Analysis in Python

Odebírání chybějících hodnot

cols_to_drop = salaries.columns[salaries.isna().sum() <= threshold]

print(cols_to_drop)

Index(['Working_Year', 'Designation', 'Employee_Location',
       'Remote_Working_Ratio'],
      dtype='object')

salaries.dropna(subset=cols_to_drop, inplace=True)
Exploratory Data Analysis in Python

Imputace souhrnnou statistikou

cols_with_missing_values = salaries.columns[salaries.isna().sum() > 0]
print(cols_with_missing_values)

Index(['Experience', 'Employment_Status', 'Company_Size', 'Salary_USD'], 
    dtype='object')

for col in cols_with_missing_values[:-1]:
    salaries[col].fillna(salaries[col].mode()[0])
Exploratory Data Analysis in Python

Kontrola zbývajících chybějících hodnot

print(salaries.isna().sum())

Working_Year             0
Designation              0
Experience               0
Employment_Status        0
Employee_Location        0
Company_Size             0
Remote_Working_Ratio     0
Salary_USD              41
Exploratory Data Analysis in Python

Imputace podle podskupiny

salaries_dict = salaries.groupby("Experience")["Salary_USD"].median().to_dict()

print(salaries_dict)

{'Entry': 55380.0, 'Executive': 135439.0, 'Mid': 74173.5, 'Senior': 128903.0}
Exploratory Data Analysis in Python

Imputace podle podskupiny

salaries["Salary_USD"] = salaries["Salary_USD"].fillna(salaries["Experience"].map(salaries_dict))
Exploratory Data Analysis in Python

Žádné chybějící hodnoty!

print(salaries.isna().sum())

Working_Year            0
Designation             0
Experience              0
Employment_Status       0
Employee_Location       0
Company_Size            0
Remote_Working_Ratio    0
Salary_USD              0
dtype: int64
Exploratory Data Analysis in Python

Pojďme si procvičit!

Exploratory Data Analysis in Python

Preparing Video For Download...