Pandas中数据的缺失处理

在pandas数据处理中，数据值缺失是经常面临的问题。如何查找、处理缺失值就成了数据处理的必备方法。

一、缺失值类型

Pandas中缺失值主要有三种符号：np.nan、None和NaT。

np.nan是缺失值的一种符号，nan意为not a number。它不等于任何东西，包括它本身。其次，在使用equals函数进行比较时，会自动略过两侧全是np.nan的单元格。再次，它在numpy中的类型为浮点，由此导致数据集读入时，即使原来是整数的列，只要有缺失值就会变为浮点型。此外，对于布尔类型的列表，如果是np.nan填充，那么它的值会自动变为True而不是False。但当修改一个布尔列表时，会改变列表类型，而不是赋值为True。在所有的表格读取后，无论列是存放什么类型的数据，默认的缺失值全为np.nan类型。因此整型列转为浮点；而字符由于无法转化为浮点，因此只能归并为object类型（'O'），原来是浮点型的则类型不变。

None：和np.nan相比，none不会等于它自身。由于它本身的布尔值为False，所以修改布尔列表不会改变数据类型。但是在传入数值类型后，会自动变为np.nan。只要当传入object类型保持不动。因此，几乎可以认为，除非人工命名None，它基本不会自动出现在Pandas中。

NaT：可以看做是时间序列的NaN，因此，