pandas 处理空值

在使用pandas进行特征工程时，经常会出现空值问题，下面介绍一下pandas中的空值判断

新建一个文件：sample.csv,文件内容如下:

a,b,c,d
1,,1,'1'
2,,2,'2'
3,,,'3'
4,,4,

下面通过pandas的read_csv函数 将文件内容加载到dataframe中，dataFrame的结构如下：

In [3]: data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Data columns (total 4 columns):
a    4 non-null int64
b    0 non-null float64
c    3 non-null float64
d    3 non-null object
dtypes: float64(2), int64(1), object(1)
memory usage: 208.0+ bytes

In [4]: data
Out[4]: 
   a   b    c    d
0  1 NaN  1.0  '1'
1  2 NaN  2.0  '2'
2  3 NaN  NaN  '3'
3  4 NaN  4.0  NaN

In [5]: data['e'] = None

In [6]: data
Out[6]: 
   a   b    c    d     e
0  1 NaN  1.0  '1'  None
1  2 NaN  2.0  '2'  None
2  3 NaN  NaN  '3'  None

In [8]: data.isnull()
Out[8]: 
       a     b      c      d     e
0  False  True  False  False  True
1  False  True  False  False  True
2  False  True   True  False  True
3  False  True  False   True  True

发现pandas读入的空值默认是NaN，如果赋值为None，则为Nonetype，两者不同，但都可以用DataFrame.isnull()来判断

接下来对空值采取操作，我们的目的是新产生一列数据，这一列数据的值由data['c']或者data['d']来决定，如果某一行的值是空值，则新产生的列的值为1，否则为2。

In [11]: data['f'] = data['c'].apply(lambda x: 1 if x is np.nan else 2)

In [12]: data[['c', 'f']]
Out[12]: 
     c  f
0  1.0  2
1  2.0  2
2  NaN  2
3  4.0  2

In [13]: data['f'] = data['c'].apply(lambda x: 1 if np.isnan(x) else 2)

In [14]: data[['c', 'f']]
Out[14]: 
     c  f
0  1.0  2
1  2.0  2
2  NaN  1
3  4.0  2

In [15]: data['f'] = data['c'].apply(lambda x: 1 if x == np.nan else 2)

In [16]: data[['c', 'f']]
Out[16]: 
     c  f
0  1.0  2
1  2.0  2
2  NaN  2
3  4.0  2

data['c']的数据类型为float，可以发现，使用x is np.nan 或者 x== np.nan 判断的话全部未False,不能正确判断空值，但使用np.isnan(x) 可以达到想要的结果。

In [21]: data['f'] = data['d'].apply(lambda x: 1 if x == np.nan else 2)

In [22]: data[['d', 'f']]
Out[22]: 
     d  f
0  '1'  2
1  '2'  2
2  '3'  2
3  NaN  2

In [23]: data['f'] = data['d'].apply(lambda x: 1 if x is np.nan else 2)

In [24]: data[['d', 'f']]
Out[24]: 
     d  f
0  '1'  2
1  '2'  2
2  '3'  2
3  NaN  1

In [25]: data['f'] = data['d'].apply(lambda x: 1 if np.isnan(x) else 2)
TypeError: ufunc 'isnan' not supported for the input types, and the inputs could not be safely coerced to any supported types according to the casting rule ''safe''

In [30]: data['f'] = data['e'].apply(lambda x: 1 if x is None else 2)

In [31]: data[['e', 'f']]
Out[31]: 
      e  f
0  None  1
1  None  1
2  None  1
3  None  1

In [32]: data['f'] = data['e'].apply(lambda x: 1 if x == None else 2)

In [33]: data[['e', 'f']]
Out[33]: 
      e  f
0  None  1
1  None  1
2  None  1
3  None  1

data['d']的类型为‘object’,发现使用x == np.nan 同样不能识别空值，但是使用x is np.nan则能够识别空值，使用np.isnan(x)则直接报错，因为np.isnan()的输入只能是float

由上可见，对于列的类型为object 的数据类型，判断缺失值使用x is np.nan ，对于float类型： 使用np.isnan(x),对于None判断，可以使用 x is None或者x == None