缺失数据处理

本文介绍了处理缺失数据的三种方法:使用fillna进行填充,包括值填充和前后向填充;使用dropna进行剔除,按行、列操作,并结合how参数和subset参数实现数据过滤;最后,探讨了插值方法,如线性插值和高级插值在处理缺失值中的应用。并提供了实例练习,涉及删除缺失值超25%的列、不同类型数据的筛选及统计列缺失比例等。
摘要由CSDN通过智能技术生成

缺失数据处理的三种方法

以表table_missing为例
导入数据:

import pandas as pd
import numpy as np
df = pd.read_csv('data/table_missing.csv')
df.head()

表如下:
在这里插入图片描述
1. 方法一:填充,fillna方法
(a)值填充与前后向填充

df['Physics'].fillna('missing').head()##值填充
df['Physics'].fillna(method='ffill').head()##向前填充
df['Physics'].fillna(method='backfill').head() ##向后填充

(b)填充中的对齐特性

df_f = pd.DataFrame({
   'A':[1,3,np.nan],'B':[2,4,np.nan
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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