python pandas缺失值处理_pandas缺失值的处理

在大多数的数据分析应用中，经常会遇到缺失值，常见的缺失值处理方式有过滤和填充。在 Python 中，pandas 使用浮点值 NaN 表示浮点数和非浮点数组中的缺失值，同时 Python 内置 None 值也会被当作缺失值。在处理缺失值之前，首先要判断缺失值是否存在，然后再对缺失值进行删除、填充或者不处理的操作。

判断缺失值的函数

在 pandas 中判断缺失值的函数如下。

1) isnull() 函数

isnull() 函数语法格式：isnull(obj)。其中，参数 obj 表示接收标量或数组，用于检查空值或缺失值的对象；如果有空值或缺失值则返回 True，否则返回 False。

2) notnull() 函数

notnull() 函数语法格式：notnull(obj)。其中，参数 obj 接收 ndarray 或对象值，用于检查不为空值或缺失值的对象；如果有空值或缺失值则返回 False，否则返回 True。

通过 isnull() 函数和 sum() 函数可以获得 Series 和 DataFrame 中缺失值的数量。

处理缺失值的方法

数据缺失值的处理方法有以下 3 种：

删除含有缺失值的记录；

进行数据插补；

不处理空值或缺失值。

1) 删除含有缺失值的记录

在数据分析中，如果数据集的样本很大，并且在删除含有缺失值的记录后，不会影响分析结果的客观性和准确性时，一般使用 dropna() 函数直接将空值或缺失值的数据删除。

dropna() 函数的语法格式如下。

DataFrame.dro