pandas处理缺失值

目录

1.缺失值

2.info函数

3. 检测缺失值

4. 处理缺失值：

---

1.缺失值

在Pandas中，系统默认的缺失值可以是 None （Python中的 None 对象）或 np.nan （NumPy中的 np.nan 对象）。这两种缺失值在Pandas中会被自动识别并处理。 当使用 None 作为缺失值时，Pandas会将其视为 object 类型；而使用 np.nan 作为缺失值时，Pandas会将其视为 float 类型

2.info函数

info 是Pandas中DataFrame对象的一个方法，用于获取关于DataFrame的基本信息摘要，包括行数、列数、每列的非空值数量、数据类型等。调用 info() 方法可以快速查看DataFrame的整体情况，帮助您了解数据集的结构和特征。

import pandas as pd
df=pd.DataFrame([[1,2,np.nan],[4,np.nan,6],
[5,6,7]])
df.info()
#运行结果： <class 'pandas.core.frame.DataFrame'>
#          RangeIndex: 3 entries, 0 to 2
#          Data columns (total 3 columns):
#           #   Column  Non-Null Count  Dtype  
#          ---  ------  --------------  -----  
#           0   0       3 non-null      int64  
#           1   1       2 non-null      float64
#           2   2       2 non-null      float64
#          dtypes: float64(2), int64(1)
#          memory usage: 200.0 bytes

3. 检测缺失值

 使用 isnull() 方法可以检测DataFrame中的缺失值，返回一个布尔类型的DataFrame，True表示缺失值。 使用 notnull() 方法则可以检测非缺失值，返回一个布尔类型的DataFrame，True表示非缺失值。

4. 处理缺失值

删除缺失值：使用 dropna() 方法可以删除包含缺失值的行或列，可以通过指定 axis 参数来删除行或列。

填充缺失值：使用 fillna() 方法可以填充缺失值，可以指定填充的值，如0、平均值、中位数等。 下面是一个简单的示例代码，演示如何处理缺失值：

import pandas as pd

# 创建包含缺失值的DataFrame
data = {'A': [1, 2, None, 4],
        'B': ['a', None, 'c', 'd']}
df = pd.DataFrame(data)

# 检测缺失值
print(df.isnull())
#输出：       A      B
#      0  False  False
#      1  False   True
#      2   True  False
#      3  False  False

# 删除包含缺失值的行
df_dropna = df.dropna()
print(df_dropna)
#输出：     A  B
#      0  1.0  a
#      3  4.0  d

# 填充缺失值
df_fillna = df.fillna(0)
print(df_fillna)
#输出：     A  B
#      0  1.0  a
#      1  2.0  0
#      2  0.0  c
#      3  4.0  d