【Python】 如何在Pandas DataFrame中统计NaN值

基本原理

在数据分析中，经常会遇到缺失数据，这些数据通常被标记为NaN（Not a Number），即非数字。Pandas是Python中一个强大的数据分析库，它提供了多种方法来处理缺失数据。在Pandas DataFrame中，统计某一列的NaN值是一个常见的需求。这可以通过isna()方法实现，该方法会返回一个布尔数组，表示原始数据中的每个元素是否为NaN。然后，我们可以使用sum()方法来计算布尔数组中True的个数，即NaN值的数量。

代码示例

示例1：统计单个列的NaN值

import pandas as pd
import numpy as np

# 创建一个示例DataFrame
data = {'A': [1, 2, np.nan, 4], 'B': [np.nan, 2, 3, 4]}
df = pd.DataFrame(data)

# 统计列'A'中的NaN值
nan_count = df['A'].isna().sum()
print(f"列'A'中的NaN值数量: {nan_count}")

示例2：统计DataFrame中所有列的NaN值

# 统计DataFrame中所有列的NaN值
nan_counts = df.isna().sum()
print(f"DataFrame中每列的NaN值数量: {nan_counts}")

示例3：使用apply方法统计NaN值

# 使用apply方法统计每列的NaN值
nan_counts = df.apply(lambda x: x.isna().sum())
print(f"使用apply方法统计的NaN值: {nan_counts}")

注意事项

• isna()方法返回的是一个布尔DataFrame，其中True表示元素是NaN。
• sum()方法在布尔DataFrame中将True视为1，False视为0，因此可以用来计算NaN的数量。
• 当使用apply方法时，可以传递一个函数，这个函数将应用于DataFrame的每一列。
• 如果需要统计多列的NaN值，可以使用isna().sum()直接在DataFrame上调用，它会返回一个Series，其中包含每列的NaN数量。

结论

在Pandas中统计DataFrame列的NaN值是一个简单但强大的功能，它可以帮助我们快速了解数据的完整性。通过使用isna()和sum()方法，我们可以轻松地识别并处理缺失数据。掌握这些基本方法对于进行有效的数据分析至关重要。

![](https://img-blog.csdnimg.cn/direct/08a02446429a4a85bb9963d696b9f5bd.png)
>
> 【痕迹】QQ+微信朋友圈和聊天记录分析工具1.0.4 （1）纯Python语言实现，使用Flask后端，本地分析，不上传个人数据。
>
> （2）内含QQ、微信聊天记录保存到本地的方法，真正实现自己数据自己管理。
>
> （3）数据可视化分析QQ、微信聊天记录，提取某一天的聊天记录与大模型对话。
> 
> **下载地址：https://www.alipan.com/s/x6fqXe1jVg1**
>