Gérer les valeurs manquantes

Manipulation de données en Julia

Katerina Zahradova

Instructor

Repérer les valeurs manquantes

# Vérifier s'il y a des valeurs manquantes
describe(penguins, :nmissing)

7×2 DataFrame
Row variable           nmissing
    Symbol             Int64
_________________________________
1   species            0
2   island             5
3   culmen_length_mm   0
4   culmen_depth_mm    0
5   flipper_length_mm  0
6   body_mass_g        23
7   sex                0

ismissing()

# Trouver les lignes avec des valeurs manquantes
penguins[ismissing.(penguins.island),:]

5x7 DataFrame
Row species   island    culmen_length_mm  culmen_depth_mm  ... 
    String15  String15  Float64           Float64          ...
___________________________________________________________________
1   Adelie    missing   39.5              17.4             ...
2   Adelie    missing   40.3              18.0             ...
3   Chinstrip missing   46.7              18.3             ...
4   Gentoo    missing   49.3              13.6             ...
5   Gentoo    missing   43.9              17.8             ...

ismissing()

# Trouver les lignes avec des valeurs manquantes
penguins[ismissing.(penguins.island), :species, :sex]

5x3 DataFrame
Row species   island    sex
    String15  String15  String7
________________________________
1   Adelie    missing   MALE
2   Adelie    missing   FEMALE
3   Chinstrip missing   MALE
4   Gentoo    missing   MALE
5   Gentoo    missing   FEMALE

dropmissing()

# Supprimer toutes les valeurs manquantes
dropmissing!(penguins)

describe(penguins)

7×2 DataFrame
Row variable           nmissing
    Symbol             Int64
1   species            0
2   island             0
3   culmen_length_mm   0
4   culmen_depth_mm    0
5   flipper_length_mm  0
6   body_mass_g        0
7   sex                0

# Supprimer les valeurs manquantes dans la colonne island
dropmissing!(penguins, :island)

describe(penguins)

7×2 DataFrame
Row variable           nmissing
    Symbol             Int64
1   species            0
2   island             0
3   culmen_length_mm   0
4   culmen_depth_mm    0
5   flipper_length_mm  0
6   body_mass_g        23
7   sex                0

replace()

# Remplacer les valeurs manquantes par une valeur
replace!(penguins.body_mass_g, missing => 0)

# Remplacer les valeurs manquantes par la moyenne
replace!(penguins.body_mass_g, missing => mean(skipmissing(penguins.body_mass_g)))

Remplacer avec des statistiques groupées

Comparaison de manchots

¹ Image : www.bas.ac.uk/about/antarctica/wildlife/penguins/

Remplacer avec groupby()

# Parcourir les groupes et remplacer par la moyenne arrondie de chaque groupe
for group in groupby(penguins, :species)
    group[ismissing.(group.body_mass_g), :body_mass_g] .= round(mean(skipmissing(group.body_mass_g)))
end

# Vérifier les valeurs manquantes
describe(penguins, :nmissing)

7×2 DataFrame
Row variable           nmissing
    Symbol             Int64
1   species            0
...
6   body_mass_g        0
7   sex                0

Remplacer en utilisant plusieurs colonnes

# Parcourir plus de groupes et remplacer par la moyenne arrondie de chaque groupe
for group in groupby(penguins, [:species, :sex])
    group[ismissing.(group.body_mass_g), :body_mass_g] .= round(mean(skipmissing(group.body_mass_g)))
end

Données insuffisantes

# Que se passe-t-il s'il n'y a aucun enregistrement dans le groupe ?
for group in groupby(penguins, [:species, :sex, :flipper_length_mm, :culmen_length_mm])
    group[ismissing.(group.body_mass_g), :body_mass_g] .= round(mean(skipmissing(group.body_mass_g)))
end

ArgumentError: median of an empty array is undefined, Any[]

Aide-mémoire — repérer et supprimer les valeurs manquantes

ismissing(var) : renvoie true si var = missing, sinon false
ismissing.(df.col) : renvoie un vecteur de true/false
df[ismissing.(df.col),:] : renvoie les lignes de df où la valeur de col est missing
dropmissing(df) : supprime toutes les lignes contenant missing
dropmissing!(df, :col) : supprime les lignes où col contient missing ; réécrit df

Aide-mémoire — remplacer les valeurs manquantes

replace!(df.col, missing => mean(skipmissing(df.col))) : remplace les missing de col par la moyenne de col (calculée en ignorant les valeurs manquantes)

Pour remplacer missing par groupe

for group in groupby(df, :col)
  group[ismissing.(group.col),:col] = value  # ou par la moyenne du groupe
end

Passons à la pratique !

Manipulation de données en Julia