11.13学习日志——nan数据删除和填充

mercy&bless

已于 2022-11-13 14:34:35 修改

阅读量587

点赞数 1

分类专栏： python 文章标签：学习

于 2022-11-13 12:48:16 首次发布

本文链接：https://blog.csdn.net/qq_55638032/article/details/127830615

版权

python 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

昨天学校发通知又要线上教学了，虽然我已经没有课了，但内心还是雀跃的，因为原本定在今天的泵与泵站期末考试推迟了，前几天课设掏空了我的身体和精神，所以复习的一般般，延迟考试正好给我一个小小的缓冲（虽然明天又开始下一门课设）。

今天回顾的是如何删除和填充dataframe里的NAN项

删除DataFrame的NAN项

首先来创建一个随机的列表

import pandas as pd
import numpy as np
df1 = pd.DataFrame(np.random.randn(4,5),index = [1,2,3,4],columns = [1,2,3,4,5])
print(df1)

得到：

          1         2         3         4         5
1 -1.546927 -0.547232  0.555072 -1.098828  0.905964
2 -0.450134 -0.092281 -0.649352 -0.502235  2.334838
3  0.563237 -0.707042 -0.765892 -1.220365  0.564507
4  0.245335 -0.421005 -0.538063 -1.385316 -1.114412

然后创建NAN项

df1.iloc[:2,:2]= None
print(df1)

得到：

          1         2         3         4         5
1       NaN       NaN  0.555072 -1.098828  0.905964
2       NaN       NaN -0.649352 -0.502235  2.334838
3  0.563237 -0.707042 -0.765892 -1.220365  0.564507
4  0.245335 -0.421005 -0.538063 -1.385316 -1.114412

删除带有NAN的行

print(df1.dropna())

得到：

          1         2         3         4         5
3  0.563237 -0.707042 -0.765892 -1.220365  0.564507
4  0.245335 -0.421005 -0.538063 -1.385316 -1.114412

填充DataFrame的NAN项

还是利用df1，利用fillna（）函数奖所有的NAN项填充为0

print(df1.fillna(0))

得到：

          1         2         3         4         5
1  0.000000  0.000000 -2.455083  0.560872  0.370304
2  0.000000  0.000000  1.249256 -0.554457  0.171125
3 -2.813881  0.241119 -0.009247  0.405355  0.002170
4 -0.285539  1.417155 -0.414919 -0.384334 -0.033280

也可以利用fillna（）分别填充各列

print(df1.fillna({1:"haha",2:"hihi"}))

得到：

          1         2         3         4         5
1      haha      hihi -0.812435 -0.531604 -0.838016
2      haha      hihi -1.738053  0.693169 -1.034070
3 -1.527261  0.796225 -0.814537  1.097067  0.848974
4 -0.170888 -0.196427 -2.186483  0.337456 -0.535711

也可以根据数据要求进行平均值填充，即填充值为本列其他数据的平均值，代码如下：

print(df1.fillna({1:df1[1].mean(),2:df1[3].mean()}))

得到：

          1         2         3         4         5
1 -0.193138 -0.155482 -0.507152  0.426580  0.423255
2 -0.193138 -0.155482 -0.079421 -1.195980 -1.325161
3  0.592448 -0.050052 -1.189977  0.064700 -1.378064
4 -0.978724 -1.141304  1.154622 -0.784549  0.564463