数据操作——缺失值处理-Toy模板网

这篇具有很好参考价值的文章主要介绍了数据操作——缺失值处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

缺失值处理

缺失值的处理思路

如果想探究如何处理无效值, 首先要知道无效值从哪来, 从而分析可能产生的无效值有哪些类型, 在分别去看如何处理无效值

什么是缺失值

一个值本身的含义是这个值不存在则称之为缺失值, 也就是说这个值本身代表着缺失, 或者这个值本身无意义, 比如说 null, 比如说空字符串

关于数据的分析其实就是统计分析的概念, 如果这样的话, 当数据集中存在缺失值, 则无法进行统计和分析, 对很多操作都有影响
缺失值如何产生的

Spark 大多时候处理的数据来自于业务系统中, 业务系统中可能会因为各种原因, 产生一些异常的数据

例如说因为前后端的判断失误, 提交了一些非法参数. 再例如说因为业务系统修改 MySQL 表结构产生的一些空值数据等. 总之在业务系统中出现缺失值其实是非常常见的一件事, 所以大数据系统就一定要考虑这件事.
缺失值的类型

常见的缺失值有两种
- null, NaN 等特殊类型的值, 某些语言中 null 可以理解是一个对象, 但是代表没有对象, NaN 是一个数字, 可以代表不是数字
  
  针对这一类的缺失值, Spark 提供了一个名为 DataFrameNaFunctions 特殊类型来操作和处理
- “Null”, “NA”, " " 等解析为字符串的类型, 但是其实并不是常规字符串数据
  
  针对这类字符串, 需要对数据集进行采样, 观察异常数据, 总结经验, 各个击破
DataFrameNaFunctions

DataFrameNaFunctions 使用 Dataset 的 na 函数来获取
```
val df = ...
val naFunc: DataFrameNaFunctions = df.na
```
当数据集中出现缺失值的时候, 大致有两种处理方式, 一个是丢弃, 一个是替换为某值, DataFrameNaFunctions 中包含一系列针对空值数据的方案
- DataFrameNaFunctions.drop 可以在当某行中包含 null 或 NaN 的时候丢弃此行
- DataFrameNaFunctions.fill 可以在将 null 和 NaN 充为其它值
- DataFrameNaFunctions.replace 可以把 null 或 NaN 替换为其它值, 但是和 fill 略有一些不同, 这个方法针对值来进行替换

如何使用 SparkSQL 处理 null 和 NaN(Double.NaN → Not a number) ?

首先要将数据读取出来, 此次使用的数据集直接存在 NaN, 在指定 Schema 后, 可直接被转为 Double.NaN

@Test
def nullAndNaN():Unit ={

  // 2. 导入数据集
  // 3. 读取数据集
  //    1.通过Spark-csv自动的推断类型来读取,推断数字的时候会将NaN推断为字符串
//    spark.read
//      .option("header",true)
//      .option("inferSchema",true)
//      .csv(....)

  //    2. 直接读取字符串，在后续的操作中使用 map 算子转类型
//    spark.read.csv().map(row => row....)

  //    3. 指定 Schema ，不要自动推断
  // 创建 Schema
  val schema = StructType(
    List(
      StructField("id", LongType),
      StructField("year", IntegerType),
      StructField("month", IntegerType),
      StructField("day", IntegerType),
      StructField("session", IntegerType),
      StructField("pm", DoubleType)
    )
  )
  // Double.NaN
  val sourceDF = spark.read
    .option("header",true)
    .schema(schema)
    .csv("./dataset/beijingpm_with_nan.csv") // pm下的NaN 自动转为 Double.NaN

  sourceDF.show()
}

数据操作——缺失值处理,大数据,Spark,spark,大数据,mysql,hive,scala

对于缺失值的处理一般就是丢弃和填充

丢弃包含 null 和 NaN 的行

// 4.丢弃
// 2019,12,12,Nam
// 规则：
//    1. any, 只要有一个 NaN 的行就丢弃
sourceDF.na.drop("any").show() // sourceDF.na.drop().show() 默认 any
//    2. all, 所有数据都是 NaN 的行才丢弃
sourceDF.na.drop("all").show()
//    3. 某些列的规则
sourceDF.na.drop("any",List("year","month","day")).show()**

填充包含 null 和 NaN 的列

**// 5.填充
  // 规则：
  //    1. 针对所有列数据进行默认值填充
  sourceDF.na.fill(0).show()
  //    2. 针对特定列填充
  sourceDF.na.fill(0, List("year", "month")).show()
}**

如何使用 SparkSQL 处理异常字符串 ?

读取数据集, 这次读取的是最原始的那个 PM 数据集

**val df = spark.read
  .option("header", value = true)
  .csv("./dataset/BeijingPM20100101_20151231.csv")**

使用函数直接转换非法的字符串

**// 1. 替换
  // select name, age, case
  // when .. then...
  // else
  import org.apache.spark.sql.functions._ // 使用when 需要导入
  sourceDF.select(
    'No as "id", 'year, 'month, 'day, 'hour, 'season,
    when('PM_Dongsi === "NA", Double.NaN) // 当 PM_Donsi 里的数据 等于 NA 时，变为 Double.NaN
      .otherwise('PM_Dongsi cast DoubleType) // 如果不是上面的条件，要将它的正常值转换成对应的Double类型
      .as("pm") // 起别名
  ).show()

// replace 注意：原类型和转换过后的类型，必须一致
sourceDF.na.replace("PM_Dongsi", Map("NA" -> "NaN")).show()
// sourceDF.na.replace("PM_Dongsi", Map("NA" -> "NaN", "NULL" -> "null")).show()

数据操作——缺失值处理,大数据,Spark,spark,大数据,mysql,hive,scala

使用 where 直接过滤

df.select('No as "id", 'year, 'month, 'day, 'hour, 'season, 'PM_Dongsi)
  .where('PM_Dongsi =!= "NA") // =!= 不等于
  .show()

数据操作——缺失值处理,大数据,Spark,spark,大数据,mysql,hive,scala

所用文件

[beijingpm_with_nan.rar]

[BeijingPM20100101_20151231.rar]（前面已上传，自己根据名称去资源下载）

以上代码的前置条件文章来源地址https://www.toymoban.com/news/detail-816188.html

// 1. 创建SparkSession对象
val spark = SparkSession.builder().appName("column").master("local[6]").getOrCreate()

import spark.implicits._

case class Person(name: String, age: Int)