[](
)8.删除缺失数据
df.dropna(axis=0, how=‘any’)
返回一个 DataFrame,其中删除了包含任何 NaN 值的给定轴,选择 how=「all」会删除所有元素都是 NaN 的给定轴。
[](
)9.替换缺失数据
df.replace(to_replace=None, value=None)
使用 value 值代替 Dat
aFrame 中的 to_replace 值,其中 value 和 to_replace 都需要我们赋予不同的值。
[](
)10.检查空值 NaN
pd.isnull(object)
检查缺失值,即数值数组中的 NaN 和目标数组中的 None/NaN。
[](
)11.删除特征
df.drop(‘feature_variable_name’, axis=1)
axis 选择 0 表示行,选择表示列。
[](
)12.将目标类型转换为浮点型
pd.to_numeric(df[“feature_name”], errors=‘coerce’)
将目标类型转化为数值从而进一步执行计算,在这个案例中为字符串。
[](
)13.将 DataFrame 转换为 NumPy 数组
df.as_mat