《Python数据分析与挖掘实战》代码纠错4-1

最近在学习张良均老师的《Python数据分析与挖掘实战》，发现部分代码存在错误，特分享调试好的代码，供学习参考。

代码清单4-1 用拉格朗日法进行插补

书本代码：

#拉格朗日插值代码
import pandas as pd #导入数据分析库Pandas
from scipy.interpolate import lagrange #导入拉格朗日插值函数

inputfile = '../data/catering_sale.xls' #销量数据路径
outputfile = '../tmp/sales.xls' #输出数据路径

data = pd.read_excel(inputfile) #读入数据
data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None #过滤异常值，将其变为空值

#自定义列向量插值函数
#s为列向量，n为被插值的位置，k为取前后的数据个数，默认为5
def ployinterp_column(s, n, k=5):
  y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取数
  y = y[y.notnull()] #剔除空值
  return lagrange(y.index, list(y))(n) #插值并返回插值结果

#逐个元素判断是否需要插值
for i in data.columns:
  for j in range(len(data)):
    if (data[i].isnull())[j]: #如果为空即插值。
      data[i][j] = ployinterp_column(data[i], j)

data.to_excel(outputfile) #输出结果，写入文件

错误提示：

出错的原因是1.出现警告"A value is trying to be set on a copy of a slice from a DataFrame"的原因是告诉我们在使用pandas中要极力避免利用chained indexing方式，即DataFrame[][]的形式去赋值，这里解决方案是将data[u'销量'][(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None改为data.loc[(data[u'销量'] < 400) | (data[u'销量'] > 5000)] = None ；2.出现警告"Passing list-likes to .loc or [] with any missing label will raise KeyError in the future",这里解决方案是将 y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))]改为y = s.reindex（list(range(n-k, n)) + list(range(n+1, n+1+k))）；3.将data[i][j] = ployinterp_column(data[i], j)改为data[i,j] = ployinterp_column(data[i], j)。

针对第报错1，官方解释为：

当 Pandas 检测到链式赋值（Chained Assignment）时会生成警告。为了方便后续的解释，先来解释一些术语：

• 赋值（Assignment） - 设置某些变量值的操作，例如 data = pd.read_csv('day-auctions.csv') ，有时会将这个操作称之为 设置（Set） 。
• 访问（Access） - 返回某些值的操作，具体参照下方的索引和链式索引示例。有时会将这个操作称之为 获取（Get） 。
• 索引（Indexing） - 任何引用数据子集的赋值或访问方法，例如 data[1:5] 。
• 链式索引（Chaining） - 连续使用多个索引操作，例如data[1:5][1:3] 。

 链式赋值是链式索引和赋值的组合。

警告是因为将两个索引操作链接在一起，直接使用了两次方括号的链式索引比较容易理解。但如果使用其他访问方法，例如 .bidderrate、.loc[]、.iloc[]、.ix[]，也会如此，这次的链式操作有：

• data[data.bidder == 'parakeet']
• ['bidderrate'] = 100

以上两个链式操作一个接一个地独立执行。第一次链式操作是为了 Get，返回一个 DataFrame，其中包含所有 bidder 等于 'parakeet' 的行；第二次链式操作是为了 Set，是在这个新返回的 DataFrame 上运行的，并没有修改原始的 DataFrame。

这种情况对应的解决方案很简单：使用 loc 将两次链式操作组合成一步操作，从而确保 Pandas 进行 Set 的是原始 DataFrame。

修改后代码：

#拉格朗日插值代码
import pandas as pd #导入数据分析库Pandas
from scipy.interpolate import lagrange #导入拉格朗日插值函数

inputfile = '../data/catering_sale.xls' #销量数据路径
outputfile = '../tmp/sales.xls' #输出数据路径

data = pd.read_excel(inputfile) #读入数据
row_indexs = (data[u'销量'] < 400) | (data[u'销量'] > 5000)
data.loc[row_indexs,u'销量'] = None #过滤异常值，将其变为空值

#自定义列向量插值函数
#s为列向量，n为被插值的位置，k为取前后的数据个数，默认为5
def ployinterp_column(s, n, k=5):
  y = s.reindex(list(range(n-k, n)) + list(range(n+1, n+1+k)) )#取数
  y = y[y.notnull()] #剔除空值
  return lagrange(y.index, list(y))(n) #插值并返回插值结果

#逐个元素判断是否需要插值
for i in data.columns:
  for j in range(len(data)):
    if (data[i].isnull())[j]: #如果为空即插值。
      data[i,j] = ployinterp_column(data[i], j)

data.to_excel(outputfile) #输出结果，写入文件