《利用python进行数据分析.第三版》 第七章 数据清洗和准备

7.1 处理缺失数据

缺失数据在pandas中呈现的方式有些不完美，但对于大多数用户可以保证功能正常。对于数值数据，pandas使用浮点值NaN（Not a Number）表示缺失数据。我们称其为哨兵值，可以方便的检测出来。
处理缺失数据有以下几个方法：

1. 判断是否为缺失数据，布尔类型

    pd.isnull
    pd.notnull

举例说明：

import pandas as pd
import numpy as np

data=pd.Series(["liming",'xiaohong',np.nan,"xiaoshu"])
print(data)

data[3]=None
print(data)

data1=data.isnull()
print(data1)

answer：
0      liming
1    xiaohong
2         NaN
3     xiaoshu
dtype: object
0      liming
1    xiaohong
2         NaN
3        None
dtype: object
0    False
1    False
2     True
3     True
dtype: bool

滤除缺失数据

pd.dropna([axis=0/1],[how="all"])#括号里面是选填条件，默认是0

举例说明：

1、Series一维数组的滤除缺失数据
data2=data.dropna()
print(data2)

0      liming
1    xiaohong
3     xiaoshu
dtype: object

2、DataFrame二维数组滤除缺失数据
data3=pd.DataFrame([
    [1., 6.5, 3.], [1., np.nan, np.nan],
     [np.nan, np.nan,np.nan], [np.nan, 6.5, 3.]
])
print(data3)

#默认axis=0，滤除只要含有缺失值的数据的行
data4&