Day8-Python缺失值(DataWhale)

最新推荐文章于 2024-04-01 14:46:59 发布
最新推荐文章于 2024-04-01 14:46:59 发布
阅读量524 收藏
点赞数
分类专栏： Python 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liying_tt/article/details/112160536
版权

缺失数据

import pandas as pd 
import numpy as np

一、缺失信息的统计和删除

1. 缺失信息的统计

缺失数据可以使用 isna 或 isnull （两个函数没有区别）来查看每个单元格是否缺失，结合 mean 可以计算出每列缺失值的比例，sum可以计算每列缺失值的总数：

df = pd.read_csv('data/learn_pandas.csv',
                usecols=['Grade','Name','Gender','Height','Weight','Transfer'])
df.isna().head()
GradeNameGenderHeightWeightTransfer
0FalseFalseFalseFalseFalseFalse
1FalseFalseFalseFalseFalseFalse
2FalseFalseFalseFalseFalseFalse
3FalseFalseFalseTrueFalseFalse
4FalseFalseFalseFalseFalseFalse
df.isna().mean()

Grade        0
Name         0
Gender       0
Height      17
Weight      11
Transfer    12
dtype: int64

1.查看某一列缺失或者非缺失的行，可以利用 Series 上的 isna 或者 notna 进行布尔索引

df[df.Height.isna()].head()
GradeNameGenderHeightWeightTransfer
3SophomoreXiaojuan SunFemaleNaN41.0N
12SeniorPeng YouFemaleNaN48.0NaN
26JuniorYanli YouFemaleNaN48.0N
36FreshmanXiaojuan QinMaleNaN79.0Y
60FreshmanYanpeng LvMaleNaN65.0N

2.同时对几个列，检索出全部为缺失或者至少有一个缺失或者没有缺失的行，可以使用 isna, notna 和 any, all 的组合

sub_set = df[['Height','Weight','Transfer']]
df[sub_set.isna().all(1)]#全部缺失
GradeNameGenderHeightWeightTransfer
102JuniorChengli ZhaoMaleNaNNaNNaN
df[sub_set.isna().any(1)].head() #至少一个缺失
GradeNameGenderHeightWeightTransfer
3SophomoreXiaojuan SunFemaleNaN41.0N
9JuniorJuan XuFemale164.8NaNN
12SeniorPeng YouFemaleNaN48.0NaN
21SeniorXiaopeng ShenMale166.062.0NaN
26JuniorYanli YouFemaleNaN48.0N
df[sub_set.notna().all(1)].head()
GradeNameGenderHeightWeightTransfer
0FreshmanGaopeng YangFemale158.946.0N
1FreshmanChangqiang YouMale166.570.0N
2SeniorMei SunMale188.989.0N
4SophomoreGaojuan YouMale174.074.0N
5FreshmanXiaoli QianFemale158.051.0N

2. 缺失信息的删除

1.dropna函数

参数：

axis：轴方向，默认0(行)

how：删除方式，any/all

thresh：删除的非缺失值个数阈值（非缺失值 没有达到这个数量的相应维度会被删除

subset：备选的删除子集

例：删除身高体重至少有一个缺失的行

res = df.dropna(how='any', subset=['Height','Weight'])
print(df.shape)
res.shape

(200, 6)





(174, 6)

例：删除超过15个缺失值的列

df.shape[0]

200

res = df.dropna(1, thresh=df.shape[0]-15)
#1代表按列删除，thresh反映的非缺失值，所以这里需要转换一下
res.head()
GradeNameGenderWeightTransfer
0FreshmanGaopeng YangFemale46.0N
1FreshmanChangqiang YouMale70.0N
2SeniorMei SunMale89.0N
3SophomoreXiaojuan SunFemale41.0N
4SophomoreGaojuan YouMale74.0N

二、缺失值的填充和插值

1. 利用fillna进行填充

参数:

value：填充值，可以是标量、索引到元素的字典映射

method：填充方法，ffill：前面的元素填充；bfill：用后面的元素填充

limit：连续缺失值的最大填充次数

s = pd.Series([np.nan, 1, np.nan, np.nan, 2, np.nan],
             list('aaabcd'))
s

a    NaN
a    1.0
a    NaN
b    NaN
c    2.0
d    NaN
dtype: float64

s.fillna(method='ffill')

a    NaN
a    1.0
a    1.0
b    1.0
c    2.0
d    2.0
dtype: float64

s.fillna(method='ffill',limit=1)# 连续出现的缺失，最多填充一次

a    NaN
a    1.0
a    1.0
b    NaN
c    2.0
d    2.0
dtype: float64

s.fillna(s.mean())# value为标量

a    1.5
a    1.0
a    1.5
b    1.5
c    2.0
d    1.5
dtype: float64

s.fillna({'a':100, 'd':200}) # 通过索引映射填充的值

a    100.0
a      1.0
a    100.0
b      NaN
c      2.0
d    200.0
dtype: float64

1.进行分组后再操作

例：据年级进行身高的均值填充

df.groupby('Grade')['Height'].transform(lambda x: x.fillna(x.mean())).head()

0    158.900000
1    166.500000
2    188.900000
3    163.075862
4    174.000000
Name: Height, dtype: float64

2. 练一练1

对一个序列以如下规则填充缺失值：如果单独出现的缺失值，就用前后均值填充，如果连续出现的缺失值就不填充，即序列[1, NaN, 3, NaN, NaN]填充后为[1, 2, 3, NaN, NaN]，请利用 fillna 函数实现。（提示：利用 limit 参数）

思路：缺失值只出现一次，所以限制limit=1

df1 = pd.Series([1, np.nan, 3, np.nan, np.nan])
df1.fillna(df1.mean(),limit=1)

0    1.0
1    2.0
2    3.0
3    NaN
4    NaN
dtype: float64

之后在群里看见大佬的解释，如果将序列变为[1, np.nan, 3, np.nan, np.nan,5,np.nan]，上面的条件就是错误的，还在考虑如何实现

df2 = pd.Series([1, np.nan, 3, np.nan, np.nan,5,np.nan])
df2.fillna(df2.mean(),limit=1)

0    1.0
1    3.0
2    3.0
3    NaN
4    NaN
5    5.0
6    NaN
dtype: float64

3. 插值函数

interpolate函数：

参数：

limit_direction：控制方向，默认为 forward，向后：backward，双向：both

limit：控制最大连续缺失值插值个数
默认为 linear 线性插值插入方法

s = pd.Series([np.nan, np.nan, 1, np.nan, np.nan, np.nan, 2, np.nan, np.nan])
s.values

array([nan, nan,  1., nan, nan, nan,  2., nan, nan])

1.线性插值法

res = s.interpolate(limit_direction='forward',limit=1) 
res.values

array([ nan,  nan, 1.  , 1.25,  nan,  nan, 2.  , 2.  ,  nan])

res = s.interpolate(limit_direction='backward',limit=1) 
res.values

array([ nan, 1.  , 1.  ,  nan,  nan, 1.75, 2.  ,  nan,  nan])

res = s.interpolate(limit_direction='both',limit=1)
res.values

array([ nan, 1.  , 1.  , 1.25,  nan, 1.75, 2.  , 2.  ,  nan])

2.最近邻插补(nearest)

缺失值的元素和离它最近的非缺失值元素一样

s.interpolate('nearest').values

array([nan, nan,  1.,  1.,  1.,  2.,  2., nan, nan])

3.索引插值

根据索引大小进行线性插值

s = pd.Series([0,np.nan,10],index=[0,1,10])
s

0      0.0
1      NaN
10    10.0
dtype: float64

s.interpolate() # 默认的线性插值，等价于计算中点的值

0      0.0
1      5.0
10    10.0
dtype: float64

s.interpolate(method='index')# 和索引有关的线性插值，计算相应索引大小对应的值

0      0.0
1      1.0
10    10.0
dtype: float64

这种方法对于时间戳索引也是可以使用

s = pd.Series([0,np.nan,10],
             index=pd.to_datetime(['20200101','20200102','20200111']))
s

2020-01-01     0.0
2020-01-02     NaN
2020-01-11    10.0
dtype: float64

s.interpolate()

2020-01-01     0.0
2020-01-02     5.0
2020-01-11    10.0
dtype: float64

s.interpolate(method='index')

2020-01-01     0.0
2020-01-02     1.0
2020-01-11    10.0
dtype: float64

三、Nullable类型

1. 缺失记号及其缺陷

1.None

在 python 中的缺失值用 None 表示，该元素除了等于自己本身之外，与其他任何元素不相等

None == None

True

None == False

False

2.np.nan

在 numpy 中利用 np.nan 来表示缺失值，该元素除了不和其他任何元素相等之外，和自身的比较结果也返回 False

np.nan == np.nan

False

虽然在对缺失序列或表格的元素进行比较操作的时候， np.nan 的对应位置会返回 False ，但是在使用 equals 函数进行两张表或两个序列的相同性检验时，会自动跳过两侧表都是缺失值的位置，直接返回 True

s1 = pd.Series([1,np.nan])
s2 = pd.Series([1,2])
s3 = pd.Series([1, np.nan])
s1 == 1

0     True
1    False
dtype: bool

s1.equals(s2)

False

s1.equals(s3)

True

3.pd.NaT

在时间序列的对象中， pandas 利用 pd.NaT 来指代缺失值，它的作用和 np.nan 是一致的

pd.to_timedelta(['30s',np.nan])# Timedelta中的NaT

TimedeltaIndex(['0 days 00:00:30', NaT], dtype='timedelta64[ns]', freq=None)

pd.to_datetime(['20200101', np.nan]) # Datetime中的NaT

DatetimeIndex(['2020-01-01', 'NaT'], dtype='datetime64[ns]', freq=None)

为什么要引入 pd.NaT 来表示时间对象中的缺失呢？仍然以 np.nan 的形式存放会有什么问题？在 pandas 中可以看到 object 类型的对象，而 object 是一种混杂对象类型，如果出现了多个类型的元素同时存储在 Series 中，它的类型就会变成 object

pd.Series([1,'two'])

0      1
1    two
dtype: object

NaT 问题的根源来自于 np.nan 的本身是一种浮点类型，而如果浮点和时间类型混合存储，如果不设计新的内置缺失类型来处理，就会变成含糊不清的 object 类型

type(np.nan)

float

同时，由于 np.nan 的浮点性质，如果在一个整数的 Series 中出现缺失，那么其类型会转变为 float64 ；而如果在一个布尔类型的序列中出现缺失，那么其类型就会转为 object 而不是 bool

pd.Series([1, np.nan]).dtype

dtype('float64')

pd.Series([True, False, np.nan]).dtype

dtype('O')

pandas 尝试设计了一种新的缺失类型 pd.NA 以及三种 Nullable 序列类型来应对这些缺陷，它们分别是 Int, boolean 和 string

2. Nullable类型的性质

Nullable 就是可空的，言下之意就是序列类型不受缺失值的影响，例如，在上述三个 Nullable 类型(Int, boolean 和 string)中存储缺失值，都会转为 pandas 内置的 pd.NA ：

pd.Series([np.nan, 1],dtype='Int64') #'I'大写

0    <NA>
1       1
dtype: Int64

pd.Series([np.nan, True], dtype = 'boolean')

0    <NA>
1    True
dtype: boolean

pd.Series([np.nan, 'my_str'], dtype = 'string')

0      <NA>
1    my_str
dtype: string

在 Int 的序列中，返回的结果会尽可能地成为 Nullable 的类型：

pd.Series([np.nan, 0], dtype = 'Int64') + 1

0    <NA>
1       1
dtype: Int64

pd.Series([np.nan, 0], dtype = 'Int64') == 0

0    <NA>
1    True
dtype: boolean

 pd.Series([np.nan, 0], dtype = 'Int64') * 0.5 # 只能是浮点

0    NaN
1    0.0
dtype: float64

对于 boolean 类型的序列而言，其和 bool 序列的行为主要有两点区别:

(1)带有缺失的布尔列表无法进行索引器中的选择，而 boolean 会把缺失值看作 False

s = pd.Series(['a', 'b'])
s_bool = pd.Series([True, np.nan])
s_boolean = pd.Series([True, np.nan]).astype('boolean')

try:
    s[s_bool]
except Exception as e:
        Err_Msg = e
Err_Msg

ValueError('Cannot mask with non-boolean array containing NA / NaN values')

s[s_boolean]

0    a
dtype: object

(2) 在进行逻辑运算时， bool 类型在缺失处返回的永远是 False ，而 boolean 会根据逻辑运算是否能确定唯一结果来返回相应的值。

那什么叫能否确定唯一结果呢？举个简单例子： True | pd.NA 中无论缺失值为什么值，必然返回 True ； False | pd.NA 中的结果会根据缺失值取值的不同而变化，此时返回 pd.NA ； False & pd.NA 中无论缺失值为什么值，必然返回 False

s_boolean & True

0    True
1    <NA>
dtype: boolean

s_boolean | True

0    True
1    True
dtype: boolean

~s_boolean # 取反操作同样是无法唯一地判断缺失结果

0    False
1     <NA>
dtype: boolean

一般在实际数据处理时，可以在数据集读入后，先通过 convert_dtypes 转为 Nullable 类型

df = pd.read_csv('data/learn_pandas.csv')
df = df.convert_dtypes()
df.dtypes

School          string
Grade           string
Name            string
Gender          string
Height         float64
Weight           Int64
Transfer        string
Test_Number      Int64
Test_Date       string
Time_Record     string
dtype: object

3. 缺失数据的计算和分组

1.sum, prod

当调用函数 sum, prob 使用加法和乘法的时候，缺失数据等价于被分别视作0和1，即不改变原来的计算结果

s = pd.Series([2,3,np.nan,4,5])
s.sum()

14.0

s.prod()

120.0

2.累计函数

当使用累计函数时，会自动跳过缺失值所处的位置

s.cumsum()

0     2.0
1     5.0
2     NaN
3     9.0
4    14.0
dtype: float64

3.单个标量运算

除了 np.nan ** 0 和 1 ** np.nan 这两种情况为确定的值之外，所有运算结果全为缺失（ pd.NA 的行为与此一致 ），并且 np.nan 在比较操作时一定返回 False ，而 pd.NA 返回 pd.NA

np.nan ** 0

1.0

1 ** np.nan

1.0

pd.NA ** 0

1

1 ** pd.NA

1

np.nan == 0

False

pd.NA == 0

<NA>

np.nan + 1

nan

np.log(np.nan)

nan

np.add(np.nan, 1)

nan

4.diff, pct_change

diff：凡是参与缺失计算的部分全部设为了缺失值，求与前一个元素的差

pct_change：缺失值位置会被设为 0% 的变化率，求当前元素与先前n个元素的相差百分比，指定periods=n

s

0    2.0
1    3.0
2    NaN
3    4.0
4    5.0
dtype: float64

s.diff()

0    NaN
1    1.0
2    NaN
3    NaN
4    1.0
dtype: float64

s.pct_change()

0         NaN
1    0.500000
2    0.000000
3    0.333333
4    0.250000
dtype: float64

5.对于一些函数而言，缺失可以作为一个类别处理，例如在 groupby, get_dummies 中可以设置相应的参数来进行增加缺失类别

df_nan = pd.DataFrame({'category':['a','a','b',np.nan,np.nan],
                      'value':[1,3,5,7,9]})
df_nan
categoryvalue
0a1
1a3
2b5
3NaN7
4NaN9
df_nan.groupby('category',dropna=False)['value'].mean()

category
a      2
b      5
NaN    8
Name: value, dtype: int64

pd.get_dummies(df_nan.category, dummy_na=True)
abNaN
0100
1100
2010
3001
4001

练习题我还没看懂，计划学到后面之后再回来继续写

liying_tt
关注
专栏目录
python|pandas处理空值与缺失值问题
xiaodoa的博客
09-07 2283
空值与缺失值问题 df.info() info查看数据是否为空，有多少的空值，或者缺失值如果小于10%直接删除，否则另作考虑 一、空值与缺失值 空值：在pandas中是’’ 缺失值：在dataframe中为nan或者naT（缺失时间），在series中为none或者nan 二、相关处理函数： 删除空值 df.dropna(axis=0,how='any',thresh=NONE,subset=NONE,inplace=False) 参数： axis=0–表示index行，axis=1表示columns
r语言查找是否存在空值_R语言：缺失值的处理_NA与NULL的区别_识别缺失值NA
weixin_30376865的博客
02-11 6936
R语言：缺失值的处理(1)NA表示数据集中的该数据遗失、不存在。在针对具有NA的数据集进行函数操作的时候，该NA不会被直接剔除。如x(2) NULL表示未知的状态。它不会在计算之中，如x在R语言中缺失值通常以NA表示，判断是否缺失值的函数是is.na。另一个常用到的函数是complete.cases，它对数据框进行分析，判断某一观测样本是否完整。下面我们读取VIM包中的sleep数据作为例子，它的...
r语言查找是否存在空值_R语言读取数据空值
weixin_42515089的博客
12-31 4357
---------txt文件----------第一种：从数据库中导出的txt文件，文件内容形如："ID""ITEM""1080254842""汉字" "1080254842""中文""1080594798""""1080594798"""文件中的内容有双引号，空值的时候是一对双引号导入数据：test 空值部分并不是NA，R语言不会把他识别为NA，改为下面的语句test 即可解决。第二种：txt文...
r语言查找是否存在空值_第5课：一个周末学会R语言数据处理：高效透视数据
weixin_36057489的博客
01-06 636
学习本节课，你可以：学会如何构建新的字段学会如何进行字段类型转换学会如何实现数据透视表转换一、几个重要知识点：tidyr中的spread()和gathr()函数介绍用于将数据展开和合并，类似excel中的数据透视功能#install.packages('dplyr') library(dplyr) data <- data_frame(区域= c('浦东','浦东','黄浦','黄浦','...
ValueError: Cannot mask with non-boolean array containing NA / NaN values
最新发布
YOU CAN IF YOU BELIEVE YOU CAN
04-01 2109
如果你遇到了这个错误，这意味着你试图用一个包含NA或NaN值的非布尔数组来过滤你的 DataFrame。这通常发生在.loc[]或布尔索引操作中，如果生成的掩码（mask）数组中含有缺失值，Pandas 就无法正确地应用这个掩码。要解决这个问题，你需要确保你的掩码数组是一个只包含True和False的布尔数组，并且不包含任何NA或NaN值。你可以通过填充缺失值或删除含有缺失值的行来解决这个问题。以下是一些可能的解决方案。
Day2-Python-Pandas基础(Datawhale)
liying_tt的博客
12-19 294
1. Pandas基础 import numpy as np import pandas as pd print("pandas的版本是：",pd.__version__) pandas的版本是： 1.1.3 1.1 文件的读取和保存 1.1.1 文件的读取 1.1.1.1 读取csv文件 pd.read_csv() 将数据放入目录下，会减少不必要的麻烦 df_csv = pd.read_csv('data/my_csv.csv',header=None,usecols=[3,4]) df_csv
Day10-Python有序数据(DataWhale)
liying_tt的博客
01-07 664
import pandas as pd import numpy as np 分类数据 一、cat对象 1. cat对象的属性 (1) pandas 中提供了 category 类型，能够处理分类类型的变量 (2) astype将普通序列转换为分类变量 df = pd.read_csv('data/learn_pandas.csv', usecols=['Grade','Name','Gender','Height','Weight']) s = df.Grade.ast
Day1-Python自动化办公-文件自动化处理(DataWhale)
liying_tt的博客
06-16 634
1. 文件自动化处理 1.1 读写文件 1.1.1 文件与文件路径 路径 指明文件在计算机上的位置 文件名 指该位置的文件的名称 os.path.join()函数创建文件名称字符串 import os os.path.join('Datawhale', 'docu') > 'Datawhale\\docu' #其中一个斜杠是转义 1.1.2 当前工作目录 os.getcwd() 获取当前工作路径 os.chdir() 改变当前工作目录 1.1.3 路径操作 绝对路径 总是从根文件夹开始
DataWhale机器学习高级算法梳理Day3-XGBoosting
lightis_tian的博客
08-12 262
算法原理 参考文章： Gradient Boosting梯度提升-GBDT与XGBoost解析及应用 理解XGBoost 集成算法梳理——XGBoost 回顾前面的梯度提升算法，知道梯度提升使用前序模型的预测值fm−1(xi)f_{m-1}(x_i)fm−1​(xi​)和标签值yiy_iyi​之间的残差Dm^={(xi,rim)i=1,2…n}\hat{D_m}=\{(x_i, r_{im})i...
Datawhale~数据挖掘实践之序列问题处理~天池·资金流入流出预测-挑战Baseline~Day01~数据探索与分析
小卜妞的博客
08-18 2046
写在前面✍ 本系列笔记基于天池平台上“资金流入流出预测-挑战Baseline”学习赛，记录如何完整的打一次数据挖掘类比赛。同时，该比赛属于序列建模问题，希望学习完成这个任务，可以对序列问题的处理有一定的独立思考能力和实践操作能力，可以将所学理论，用编码的形式和实际的问题得到深入。 第一篇，EDA Content: 初步了解赛题及数据 1.1 任务 1.2 用户基本信息数据 1.3 用户申购赎回数据 1.4 收益率表 1.5 银行间拆借利率表 1.6 提交格式 1.7 评分指标 EDA 1 初.
R语言 字符串
m0_46445293的博客
04-07 552
在R中字符串出现的地方要加引号 nchar函数可以返回字符串的长度，空格也算一个字符串 length函数返回向量内字符串的个数 paste可以将多个字符串合并为一个，在此函数里可以设置sep函数设置分隔符 substr用于提取字符串，函数参数分别为：一个原始的字符串，一个起始点，一个结束点，函数返回起始点和结束点之间的字符串 toupper函数可以将字符串转换成大写 tolower将字符串转化为小...
R语言中如何使用readxl函数及查看空值并去除空值
qingmeng523的博客
10-29 3324
1调用readxl函数，并打开excel文件， 2查看该文件（赋值命名为data及查看data的数据类型（data.frame为数据框） 3将data数据框中的第二列赋值命名为text，并查看text的数据类型为data.frame 4查看text数据框中的第一行第一列的数据类型，并展示第一行第一列的数据及列名 5查看text数据中的第11行第1列的数据是否为“-“并取非及查看取非得类型 6将text数据框中有“-“得都去掉并将新数据框赋值命名给test...
【解决str.contains()问题】ValueError: cannot index with vector containing NA / NaN values
qq_33731081的博客
01-05 6231
问题描述; 当使用dataframe执行如下操作： df[df.line.str.contains('G')] 目的是：找出df中line列中包含字符’G’的所有行时，出现如下问题： --------------------------------------------------------------------------- ValueError ...
R语言 查看缺失值所在行
qq_37388041的博客
10-25 1万+
which(rowSums(is.na(data))==0)
R语言中的缺失值处理
HuFeiHu
03-19 1万+
作者 Selva Prabhakaran译者 钱亦欣在处理一些真实数据时，样本中往往会包含缺失值（Missing values)。我们需要对缺失值进行适宜的处理，才能建立更为有效的模型，使得后续预测分析能有更小的偏差。本文将罗列不同的缺失值处理方法，并进行具体应用。数据准备和缺失模式设定本文使用mlbench包中的BostonHousing数据集作为示例来演示不同的缺失值处理方法。由于原始的数据集...
R语言找出数据集中有缺失值的行，将其记录到另一个数据框中，并产生一个无缺失值的数据集
热门推荐
no_giveup的博客
07-05 2万+
找出hafu数据集中有缺失值的行，将其记录到令一个数据框中，将原数据框中有缺失值的行删除 list <-which(rowSums(is.na(rw_hafu)) > 0) # hafu数据集中有缺失值的行。 hafu_NA <- rw_hafu[list,]#提取有缺失值的行。 hafu_A <- rw_hafu[-list,]# 产生无缺失值的行。 引用地址：http://ww
Pandas第三次作业20200907
Narutolxy的博客
09-07 1734
练习1 • 读取北向.csv 指定第一列为行索引 • 查看数据的基本信息 有无缺失值 对其缺失值进行处理 • 删除缺失值所在行 • 查看数据的基本信息 查看数据是否清洗完毕 • index列没啥用 将index列删除 • 观察数据是否有重复行 • 将重复行进行删除 • 将行索引 进行升序 • 将处理好的数据 保存至 北向(副).csv #！/user/bin/env python #-*-coding: utf-8-*- #@Time : 2020/9/719:53 #@Author
python学习笔记-day8-2-【python 异常处理 try except】
05-17
在Python中，异常处理是非常重要的一部分。当程序运行时如果出现错误，如果没有异常处理，程序就会崩溃。为了避免这种情况，Python提供了异常处理机制。 在Python中，异常处理语句使用 `try` 和 `except` 关键字来实现。`try` 语句块中包含可能会发生异常的代码，如果这段代码出现了异常，则会跳转到 `except` 语句块中执行异常处理代码。 下面是一个简单的例子： ```python try: num = int(input("请输入一个整数：")) print(10/num) except ZeroDivisionError: print("除数不能为0") except ValueError: print("输入的不是整数") ``` 在上面的代码中，我们尝试将用户输入的字符串转换为整数，并将其用作除数计算 10/num。如果用户输入的是 0，则会触发 ZeroDivisionError 异常。如果用户输入的不是整数，则会触发 ValueError 异常。如果发生异常，则会跳转到对应的 except 语句块中执行处理代码。 除了可以指定具体的异常类型，也可以使用 `except Exception` 来捕获所有异常。例如： ```python try: num = int(input("请输入一个整数：")) print(10/num) except Exception as e: print("发生异常：", e) ``` 在上面的代码中，如果发生任何异常，都会跳转到 `except` 语句块中执行处理代码，并将异常信息打印出来。 除了 `try` 和 `except`，还有 `finally` 关键字，它指定的代码块无论是否发生异常都会执行。例如： ```python try: num = int(input("请输入一个整数：")) print(10/num) except Exception as e: print("发生异常：", e) finally: print("程序执行完毕") ``` 在上面的代码中，无论是否发生异常，都会执行 `finally` 中的代码，即输出“程序执行完毕”。 总之，在Python中，异常处理是非常重要的一部分，它可以有效避免程序崩溃，提高程序的健壮性和可靠性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值