本文主要介紹了pandas中NaN缺失值的處理方法，主要有兩種方法，具體如下：

import pandas as pd缺失值處理

兩種方法:

先判斷數(shù)據(jù)中是否存在NaN,通過(guò)下面兩個(gè)方法中任意一個(gè)

pd.isnull(dataframe)# dataframe為數(shù)據(jù)如果數(shù)據(jù)中存在NaN返回True,如果沒(méi)有就返回Falsepd.notnull(dataframe)該方法與isnull相反any() 和 all()'''pd.isnull(dataframe).any()判斷哪一個(gè)字段中存在缺失值沒(méi)有就返回Falsepd.notnull(dataframe).all()判斷哪一個(gè)字段中存在缺失值沒(méi)有就返回True'''

使用numpy也可以進(jìn)行判斷

import numpy as npnp.any(pd.isnull(dataframe)) # 如果返回True,說(shuō)明數(shù)據(jù)中存在缺失值np.all(pd.notnull(dataframe)) # 如果返回False, 說(shuō)明數(shù)據(jù)中存在缺失值

然后進(jìn)行數(shù)據(jù)處理

方式一: 刪除空值行

dataframe.dropna(inplace=False)'''dropna() 是刪除空值數(shù)據(jù)的方法, 默認(rèn)將只要含有NaN的整行數(shù)據(jù)刪除, 如果想要?jiǎng)h除整行都是空值的數(shù)據(jù)需要添加how=’all’參數(shù)默認(rèn)是刪除整行, 如果對(duì)列做刪除操作, 需要添加axis參數(shù), axis=1表示刪除列, axis=0表示刪除行inplace: 是否在當(dāng)前的dataframe中執(zhí)行此操作,True表示在原來(lái)的基礎(chǔ)上修改,False表示返回一個(gè)新的值, 不修改原有數(shù)據(jù)'''

方式二: 替換/插補(bǔ)

dataframe.fillna(’替換的值value’,inplace=False)’’’把替換NaN的值傳入到fillna()中’’’缺失值NaN有默認(rèn)標(biāo)記的值

比如有的空值不是NaN, 有的是一個(gè)’?’

先替換使用numpy把'?'替換為NaN

import numpy as np# 替換dataframe.replace(to_replace='?', value=np.nan)

把其他的缺失值換為NaN后, 然后就按照缺失值為NaN的方式就行操作

如果只是單獨(dú)的刪除數(shù)據(jù)可以使用drop()方法

DataFrame.drop(labels=None,axis=0, index=None, columns=None, inplace=False)’’’代碼解釋:labels : 就是要?jiǎng)h除的行列的名字,用列表指定index : 直接指定要?jiǎng)h除的行columns : 直接指定要?jiǎng)h除的列inplace=False : 表示返回一個(gè)新的值, 不修改原有數(shù)據(jù)inplace=True : 表示在原來(lái)的基礎(chǔ)上修改’’’

例:

import pandas as pddf = pd.read_csv(’/text.xlsx’)# 刪除第0行和第1行df.drop(labels=[0,1],axis=0)# 刪除列名為 age 的列df.drop(axis=1,columns=age)

到此這篇關(guān)于pandas中NaN缺失值的處理方法的文章就介紹到這了,更多相關(guān)pandas NaN缺失值內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！