类别中的NaN

Question

我正在尝试对应用程序上的数据集进行线性回归，而我分配的标签是应用程序的等级。尝试将标签拆分为多个类时，即使未指定，也存在第三类“ NaN”。

bins = (2, 3, 5)
group_names = ['bad', 'good']
appStore['user_rating'] = pd.cut(appStore['user_rating'], bins = bins, labels = group_names)
appStore['user_rating'].unique()

结果

[good, bad, NaN]
Categories (2, object): [bad < good]

我什至运行了代码

appStore.isnull().sum()

并且它不显示空值，所有字段的结果均为0。

编辑：我什至将bins编辑为bins =（0，3，5）来拆分数据，因为该列中的最小值为0，最大值为5。它仍然具有NaN。

这是我运行sns.countplot（appStore ['user_rating']）时的结果：

如您所见，将没有异常数据。

Answer 1

使用pandas.cut()方法，我们可以像您一样使用bin边缘定义容器：

bins = (2, 3, 5)

意味着我们定义了两个有效类别：

一个值在（2和3）之间]的类别，另一个在（3和5）之间]的类别。这些类别之外的每个值的类别将为NaN

问题是，您的数据包含的值超出了您定义的时间间隔。我用一个例子演示它：

import pandas as pd

appStore = pd.DataFrame()
appStore['user_rating'] = [2.3, 3.3, 4, 6]

bins = (2, 3, 5)
group_names = ['bad', 'good']
appStore['user_rating'] = pd.cut(appStore['user_rating'], bins=bins, labels=group_names)
print(appStore['user_rating'].unique())

print()
print(appStore)
Out：

[bad, good, NaN]
Categories (2, object): [bad < good]

  user_rating
0         bad
1        good
2        good
3         NaN
如您所见，6既不在（2和3）
之间也不在（3和5）

之间。因此，基本上没有离群数据的标签，这就是为什么pandas用NaN代替一个缺失的标签值的原因。

如果您的数据中没有异常值，则不会发生此问题：

import pandas as pd

appStore = pd.DataFrame()
appStore['user_rating'] = [2.3, 3.3, 4, 4.5]

bins = (2, 3, 5)
group_names = ['bad', 'good']
appStore['user_rating'] = pd.cut(appStore['user_rating'], bins=bins, labels=group_names)
print(appStore['user_rating'].unique())

print()
print(appStore)
Out：

[bad, good]
Categories (2, object): [bad < good]

  user_rating
0         bad
1        good
2        good
3        good
注意：
箱边缘向下排斥

和向上包含，例如(1,2,3)边定义的箱将不包含1（它将分类为NaN），但将3定义为(2-3)。