Pandas基础学习:处理缺失数据

一、Task01：缺失数据

二、理解点

理解点1：np.isnan()、pd.isna()和pd.isnull()的区别

• numpy中的isnan对应的是NaN值，代表“不是数字”，数值类型为float，数组中显示为nan，能参与运算，但结果显示为NaN

• 而python自带的None，为NoneType类型代表空类型，不能参与运算

import numpy as np
import pandas as pd


np.nan + 9            #结果为：nan
a = np.array([1,2,3,np.nan])
np.isnan(a)
# a = np.array([1,2,3,None])
# np.isnan(a)        #报类型错误警告 None并不代表NaN值无法处理
np.nan is None     #结果为：False 表示np.nan不是一个空对象
np.nan == np.nan   #结果为False 
np.isnan(np.nan)   #结果为True
# a = np.array(['1','2','3',np.nan])
# np.isnan(a)        #类型错误警告，字符类型无法运算

• pandas中将两者都处理为np.nan

df1 = DataFrame(data=np.random.randint(0,20,size=(5,5)),columns=list("abcde"))
df1["b"][1] = None
df1["c"].iloc[2] = None
df1.iloc[2].loc["d"] = np.nan # 显式地去设置nan不太好
df1

• 可以看到两者都处理成NaN值
• 同时发现下面的情况
  

同时官方文档中关于pandas.Data