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