# -*- coding: utf-8 -*-
import pandas as pd
from scipy.interpolate import lagrange as lg #呼叫拉格朗日缺值補充函式
inputfile='d:/code/need/try.xls'
outputfile='d:/code/need/try1.xls'
data=pd.read_excel(inputfile)
data[u'b'][(data[u'b']>15) | (data[u'b']<1)]=none #去掉其中大於15小於1的異常值（視情況而定）
def lagra(data,j,k=5): #data為傳入的列，j為值
y=data[list(range(j-k,j))+list(range(j+1,j+1+k))] #選取選中資料的前五個資料和後五個資料進行缺值補充
y=y[y.notnull()] #去掉選中資料中的空值
return lg(y.index,list(y))(j) #lagrange(x,y)(source) 返回值
for i in data.columns:
for j in range(len(data)):
if(data[i].isnull())[j]: #找到空值就執行函式
data[i][j]=lagra(data[i],j)
data.to_excel(outputfile)
資料分析中的缺失值處理
沒有高質量的資料，就沒有高質量的資料探勘結果，資料值缺失是資料分析中經常遇到的問題之一。當缺失比例很小時，可直接對缺失記錄進行捨棄或進行手工處理。但在實際資料中，往往缺失資料占有相當的比重。這時如果手工處理非常低效，如果捨棄缺失記錄，則會丟失大量資訊，使不完全觀測資料與完全觀測資料間產生系統差異 對...
資料分析中的缺失值處理
沒有高質量的資料，就沒有高質量的資料探勘結果，資料值缺失是資料分析中經常遇到的問題之一。當缺失比例很小時，可直接對缺失記錄進行捨棄或進行手工處理。但在實際資料中，往往缺失資料占有相當的比重。這時如果手工處理非常低效，如果捨棄缺失記錄，則會丟失大量資訊，使不完全觀測資料與完全觀測資料間產生系統差異 對...
資料分析中的缺失值處理
對缺失值的處理要具體問題具體分析 為什麼要具體問題具體分析呢？因為屬性缺失有時並不意味著資料缺失 缺失本身是包含資訊的，所以需要根據不同應用場景下缺失值可能包含的資訊進行合理填充 下面通過一些例子來說明如何具體問題具體分析，仁者見仁智者見智，僅供參考 年收入 商品推薦場景下填充平均值，借貸額度場景下...