Python数据分析——数据缺失篇（自用）

数据缺失是一个常见的现象

对于要处理的数据首先就要检查是否有缺失的情况，此时就要用到两个方法(两个方法的是一样的)。如果将缺失值纳入计算，默认为将NA看作0来进行计算

操作数据帧：

①全检查

②部分列检查

notnull()的使用方法与isnull()是一样的!!!

对缺失值的补救操作

①丢失NAN的数据

dropna()函数：默认axis=0，默认使用在行上，意味着行内的任何值为NA，那么整个行被排除：使用方法：df.dropna(axis=0),基本在机器学习中使用axis=1的使用

②填充NAN的数据：

df.fillna(method=’bfill’,axis=1)向后填充，也可以向前填充fill

③替换NAN的数据：

df.replace({np.nan:1000})将nan替换为1000

④插值替换NAN的数据：有点像最近邻K的方法

df.interpolate(method=’linear’,axis=0)