数据预处理：缺失值处理

【小白从小学Python、C、Java】

【Python全国计算机等级考试】

【Python数据分析考试必会题】

● 标题与摘要

Python数据分析中的

数据预处理：缺失值处理

● 选择题

关于缺失值处理，以下哪一项说法错误。

A.不可以用isna()判断是否有缺失值

B.可以用notna()判断是否有缺失值

C.dropna()可用于删除含有空值的行或列

D.fillna()用于填充缺失值

欢迎大家转发，一起传播知识和正能量，帮助到更多人。期待大家提出宝贵改进建议，互相交流，收获更大。辛苦大家转发时注明出处(也是咱们公益编程交流群的入口网址)，刘经纬老师共享知识相关文件下载地址为：http://liujingwei.cn

● 问题解析

1.在数据分析中数据预处理十分重要，缺失值的处理可分为删除缺失值和填充缺失值。

2.isna()和notna()可以用于判断是否有缺失值

3.NaN，None和NaT区别：

(1)在pandas中,如果其他的数据都是数值类型, pandas会把None自动替换成NaN。

(2)None能够直接被导入数据库作为空值处理， 包含NaN的数据导入时会报错。

(3)NaN为一般数据格式的缺失，表示此位置没有数据，NaT是时间格式数据的缺失，表示此位置没有时间数据。

4.当特征的缺失值占很大比重时，直接考虑删掉该特征。当缺失值不大时，可以考虑丢弃该样本或者填充缺失值，当该样本存在很多缺失值时，考虑丢弃该样本，其余情况进行缺失值填充。

5.缺失值处理

（1）dropna():默认参数，删除行，只要有空值就会删除，不替换。

（2）fillna():填充缺失值。在缺失值填充时，填充值是自定义的，对于数值型数据，最常用的填充值是用该【列】的均值。

● 附图 

图一：isna()可用于判断是否有缺失值

 

图二：notna()可用于判断是否有缺失值

图三：dropna()可用于删除含有空值的行或列

图四：fillna()用于填充缺失值

● 附图代码

import pandas as pd

import numpy as np

df = pd.DataFrame([[np.nan, 2,None , 0],

[3, np.nan, np.nan, 1],

[6, 7, 1, 5],

[np.nan, 3, np.nan, 4]],

columns=list('ABCD'))

print(df)

#判断是否有缺失值

print(df.isna())

#判断是否有缺失值

print(df.notna())

#删除缺失值

print(df.dropna())

#填充缺失值

print(df.fillna(0))

#针对不同的列，用不同的值填充

trans={"A":9,"B":8,"C":7,"D":6}

print(df.fillna(value=trans))

#使用均值mean( )的方法进行缺失值填充

print(df.fillna(df.mean()))

● 正确答案

A