处理缺失数据财务大数据技术基础96课件.pptxVIP

处理缺失数据财务大数据技术基础江西应用技术职业学院温世杰

财务人员未妥善处理缺失值，导致税务申报数据失真，面临法律追责。思政导学：

数据完整性是财务诚信的基础。

职业责任感与社会价值的体现。课程导学

学习目标知识目标

掌握info()与isnull()查找缺失值的方法。

理解dropna()删除与fillna()填充的应用场景。技能目标

能根据业务需求选择处理策略。

熟练运用Pandas完成数据清洗。思政目标

树立数据伦理意识，坚守职业道德底线。

理解数据质量对企业与社会的关键性。

1.查找缺失值info（）函数

info()函数可以帮助用户快速了解数据集的基本信息，如行数、列数、列的数据类型、非空值的数量以及内存使用情况。isnull()函数

用于检查数据中的值是否为缺失值（NaN或None）。它返回一个布尔值序列，其中缺失值对应的值为True，非缺失值对应的值为False。

2.删除缺失值适用场景：

当缺失值比例较低，且这些缺失记录对整体数据分析影响较小的情况下，可以考虑删除缺失值所在的行。

当某个字段（列）的缺失值比例非常高，且该字段在分析中的作用相对较小，可以考虑删除整个字段。df.dropna(axis=0,how=“any”,subset=None,subset=None,inplace=True)axis:指定操作的轴。how:指定处理缺失值的方式。默认为“any”，表示只要存在缺失值，就删除存在的行或列。若要在当所有值都缺失时，才删除对应的行和列，则可将此参数修改为“all”。subset:指定只考虑哪些行或列的缺失值。inplace:指明是否直接在原数据集上进行操作。设定为True则直接修改原数据集。

3.填充缺失值指定值填充：

如若缺失值需要人为有效判断，那可以将实际收集到的数据补充到数据集中，如fillna({销售人员:李丽})。临近填充：

为了提高数据清洗的效率，对于部分无法确定的零散数据，还可以选择使用缺失值前、后的数据来进行填充。如ffill()向前填充，bfill()向后填充。均值填充：

数据分布相对较为均匀，没有明显的偏态或异常值的情况下，还可以使用平均数填充数值型数据。原则：

避免盲目填充，需结合数据分布与业务逻辑。

实战演练，录屏

重点回顾：1.查找：

info()与isnull()定位缺失值。2.处理：

删除（dropna()）与填充（fillna()）。思政提炼：

数据质量是财务分析的“生命线”。

职业素养体现在对细节的严谨把控。数据质量是财务分析的“生命线”。课堂小结

课后思考知识技能题

若某财务报表中“应收账款”缺失比例达30%，应选择删除还是填充？为什么？思政开放题在处理数据时，如何平衡效率与真实性？请结合职业道德谈谈看法。

THEENDTHANKS