Obsługa brakujących danych

Eksploracyjna analiza danych w Pythonie

George Boorman

Curriculum Manager, DataCamp

Dlaczego brakujące dane są problemem?

Wpływa na rozkłady
- Brakujące wzrosty wyższych uczniów
Mniej reprezentatywne dla populacji
- Pewne grupy nadreprezentowane, np. brak danych o najstarszych uczniach
Może prowadzić do błędnych wniosków

Rozkład wzrostu dla próby i populacji – próba ma niższe maksimum i średnią

Dane o zatrudnieniu specjalistów ds. danych

Kolumna	Opis	Typ danych
`Working_Year`	Rok pozyskania danych	Float
`Designation`	Stanowisko	String
`Experience`	Poziom doświadczenia, np. `"Mid"`, `"Senior"`	String
`Employment_Status`	Rodzaj umowy, np. `"FT"`, `"PT"`	String
`Employee_Location`	Kraj zatrudnienia	String
`Company_Size`	Rozmiar firmy, np. `"S"`, `"M"`, `"L"`	String
`Remote_Working_Ratio`	Procent czasu pracy zdalnej	Integer
`Salary_USD`	Wynagrodzenie w dolarach	Float

Wynagrodzenie według poziomu doświadczenia

Wykres pudełkowy wynagrodzeń według poziomu doświadczenia – czysty zbiór danych, górny limit ok. 600 000 USD

Wykres pudełkowy wynagrodzeń według poziomu doświadczenia – zbiór z brakującymi danymi, górny limit ok. 450 000 USD

Sprawdzanie brakujących wartości

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

Strategie obsługi brakujących danych

Usuń brakujące wartości
- 5% lub mniej wszystkich wartości
Imputuj średnią, medianę, modę
- Zależy od rozkładu i kontekstu
Imputuj według podgrup
- Różne poziomy doświadczenia mają różne mediany wynagrodzenia

Usuwanie brakujących wartości

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

Usuwanie brakujących wartości

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)

Imputacja statystyką podsumowującą

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])

Sprawdzanie pozostałych brakujących wartości

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

Imputacja według podgrup

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}

Imputacja według podgrup

salaries["Salary_USD"] = salaries["Salary_USD"].fillna(salaries["Experience"].map(salaries_dict))

Brak brakujących wartości!

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

Czas na ćwiczenia!

Eksploracyjna analiza danych w Pythonie