Pandas高级：你真的会删除缺失值吗？

数据处理过程中，缺失值的处理是经常会遇到的。很多时候，对缺失值的处理是删除。大家都知道pandas提供dropna方法，可以快速删除数据中的缺失值。但是简单的dropna却有很多未知方法在里面。

一.发现缺失值

Pandas 数据结构有两种有效的方法可以发现缺失值:isnull() 和 notnull()。每种方法都 返回布尔类型的掩码数据，例如:

In[13]: data = pd.Series([1, np.nan, 'hello', None])
In[14]: data.isnull()

Out[14]: 0    False
         1     True
         2    False
         3     True

 In[15]: data[data.notnull()]

 Out[15]: 0        1
          2    hello

二.删除缺失值

In[17]: df = pd.DataFrame([[1,      np.nan, 2],
                           [2,      3,      5],
                           [np.nan, 4,      6]])


Out[17]:         0	1	2
        0	1.0	NaN	2
        1	2.0	3.0	5
        2	NaN	4.0	6

 dropna() ，默认情况下，会剔除任何包含缺失值的整行数据

In[18]:df.dropna()

Out[18]:        0	1	2
        1	2.0	3.0	5

可以设置按不同的坐标轴剔除缺失值，比如 axis=1(或 axis='columns')会剔除任何包含缺失值的整列数据:

In[19]: df.dropna(axis='columns')

Out[19]:     2 
        0    2 
        1    5 
        2    6

按照上述做法会把非缺失值一并剔除，因为可能有时候只需要剔除全部是缺失值的行或 列，或者绝大多数是缺失值的行或列。这些需求可以通过设置 how 或 thresh 参数来满足， 它们可以设置剔除行或列缺失值的数量阈值。

默认设置是 how='any'，也就是说只要有缺失值就剔除整行或整列(通过 axis 设置坐标轴)。你还可以设置 how='all'，这样就只会剔除全部是缺失值的行或列了:

先将第三列设置为全部位空：

In[20]: df[3] = np.nan
          
Out[20]:    0    1        2      3 
    0     1.0     NaN     2     NaN 
    1     2.0     3.0     5     NaN 
    2     NaN     4.0     6     NaN

通过how='all'和axis='columns'，删除值全部为空的列。

In[21]: df.dropna(axis='columns', how='all')

Out[21]:    0    1        2      
    0     1.0     NaN     2    
    1     2.0     3.0     5    
    2     NaN     4.0     6    

还可以通过 thresh 参数设置行或列中非缺失值的最小数量，从而实现更加个性化的配置:

通过axis='rows', thresh=3，实现删除非缺失值不为3个的行。

In[22]: df.dropna(axis='rows', thresh=3)

Out[22]:     0    1    2    3 
        1    2.0 3.0   5   NaN