Python中Pandas如何处理空值 常用处理空值方法介绍

在 Pandas 中，处理空值（缺失值）是数据清洗中的一个重要步骤。以下是一些常见的处理空值的方法：

1. 检测空值：

使用 isnull() 或 isna() 方法来检测空值。这将返回一个布尔值的 DataFrame，其中 True 表示对应位置是空值。

import pandas as pd

# 创建一个示例 DataFrame
data = {'Name': ['Alice', 'Bob', None, 'Charlie'],
        'Age': [25, 30, None, 35]}
df = pd.DataFrame(data)

# 检测空值
print(df.isnull())

2. 删除空值：

使用 dropna() 方法删除包含空值的行或列。dropna() 默认删除包含任何空值的行，你也可以通过设置参数来调整删除的方式。

# 删除包含空值的行
df_cleaned = df.dropna()

# 删除包含空值的列
df_cleaned = df.dropna(axis=1)

3. 填充空值：

使用 fillna() 方法填充空值。你可以选择用特定的值、均值、中位数等来填充。

# 用特定值填充空值
df_filled = df.fillna(value=0)

# 用均值填充空值
mean_age = df['Age'].mean()
df_filled = df.fillna(value={'Age': mean_age})

4. 插值填充：

使用 interpolate() 方法进行插值填充，根据相邻的值推断空值。这对于时间序列数据特别有用。

# 使用插值填充空值
df_interpolated = df.interpolate()

5. 替换空值：

使用 replace() 方法将空值替换为指定的值。

# 将空值替换为 -1
df_replaced = df.replace(to_replace=pd.NA, value=-1)

这些是一些处理 Pandas DataFrame 中空值的基本方法。具体选择哪种方法取决于你的数据特点和分析需求。在数据清洗的过程中，根据具体情况选择适当的处理方式以确保数据质量。