深入了解 Pandas：对象的缺少值

目录

前言

 第一点：导入模块

第二点 ：发现对象的缺失值

第二点：剔除缺少值

 第三点：填补缺失值

总结

---

前言

在数据处理中，经常会遇到数据中存在缺失值的情况。处理缺失值是数据清洗的一个重要环节，能够确保数据的完整性和准确性。本文将介绍如何使用Pandas库中的方法来处理一维和二维对象中的缺失值，包括发现缺失值、剔除缺失值和填补缺失值等操作。

---

 第一点：导入模块

import pandas as pd

第二点 ：发现对象的缺失值

#定义一维对象
v=[53,None,72,82]
k=['1号','2号','3号','4号']
sr=pd.Series(v,index=k)
print(sr)
# 1号    53.0
# 2号     NaN
# 3号    72.0
# 4号    82.0
# dtype: float64

# 发现对象的缺失值
print(sr.isnull())
# 1号    False
# 2号     True
# 3号    False
# 4号    False
# dtype: bool

# 发现无缺少值的数据
print(~sr.isnull())
# 1号     True
# 2号    False
# 3号     True
# 4号     True
# dtype: bool

第二点：剔除缺少值

# 一维对象
v=[53,None,72,82]
k=['1号','2号','3号','4号']
sr=pd.Series(v,index=k)
print(sr)
#必须赋值给新对象
sr2=sr.dropna()
print(sr2)

# 二维对象
v=[[None,None],[64,None],[72,3],[82,4]]
i=['1号','2号','3号','4号']
c=['年龄','牌照']
df=pd.DataFrame(v,index=i,columns=c)
print(df)
#       年龄   牌照
# 1号   NaN  NaN
# 2号  64.0  NaN
# 3号  72.0  3.0
# 4号  82.0  4.0
print(df.dropna())
#      年龄   牌照
# 3号  72.0  3.0
# 4号  82.0  4.0

#某些同学认为，只要某行含有一个NaN就剔除掉该个体太过残忍，我们可以设定一个参数，只有当该行全部是NaN,才会被剔除
print(df.dropna(how='all'))
#       年龄   牌照
# 2号  64.0  NaN
# 3号  72.0  3.0
# 4号  82.0  4.0

 第三点：填补缺失值

#一维对象
v=[53,None,72,82]
k=['1号','2号','3号','4号']
sr=pd.Series(v,index=k)
print(sr)
# 1号    53.0
# 2号     NaN
# 3号    72.0
# 4号    82.0
# dtype: float64
print(sr.fillna(0))
# 1号    53.0
# 2号     0.0
# 3号    72.0
# 4号    82.0
# dtype: float64

#二维对象
v=[[None,None],[64,None],[72,3],[82,4]]
i=['1号','2号','3号','4号']
c=['年龄','牌照']
df=pd.DataFrame(v,index=i,columns=c)
print(df)
#     年龄   牌照
# 1号   NaN  NaN
# 2号  64.0  NaN
# 3号  72.0  3.0
# 4号  82.0  4.0
print(df.fillna(0))
#       年龄   牌照
# 1号   0.0  0.0
# 2号  64.0  0.0
# 3号  72.0  3.0
# 4号  82.0  4.0

---

总结

通过本文介绍的方法，我们学习了如何利用Pandas库来处理数据中的缺失值。我们探讨了如何发现缺失值、剔除包含缺失值的数据以及填补缺失值。这些技能对于数据清洗和准备阶段至关重要，能够帮助我们更好地分析数据、训练模型并做出准确的预测。希望本文分享的内容对您在数据处理和分析过程中有所帮助！