我有一个通过解析一些excel电子表格创建的pd.DataFrame。 一列的单元格为空。 例如,以下是该列的频率输出,32320条记录的"租户"值缺失。
1
2
3
4
5
6
7
8
9
10
11In [67]: value_counts(Tenant,normalize=False)
Out[67]:
32320
Thunderhead 8170
Big Data Others 5700
Cloud Cruiser 5700
Partnerpedia 5700
Comcast 5700
SDP 5700
Agora 5700
dtype: int64
我正在尝试删除缺少租户的行,但是isull选项无法识别丢失的值。
1
2In [71]: df['Tenant'].isnull().sum()
Out[71]: 0
该列的数据类型为"对象"。 在这种情况下会发生什么? 如何在租户丢失的地方删除记录?
如果熊猫是np.nan对象,则它将识别为空值,该对象将在DataFrame中打印为NaN。您缺少的值可能是空字符串,Pandas无法将其识别为null。要解决此问题,可以使用replace()将空字符串(或空单元格中的任何内容)转换为np.nan对象,然后在DataFrame上调用dropna()删除具有空租户的行。
为了演示,我们在Tenants列中创建一个带有一些随机值和一些空字符串的DataFrame:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18>>> import pandas as pd
>>> import numpy as np
>>>
>>> df = pd.DataFrame(np.random.randn(10, 2), columns=list('AB'))
>>> df['Tenant'] = np.random.choice(['Babar', 'Rataxes', ''], 10)
>>> print df
A B Tenant
0 -0.588412 -1.179306 Babar
1 -0.008562 0.725239
2 0.282146 0.421721 Rataxes
3 0.627611 -0.661126 Babar
4 0.805304 -0.834214
5 -0.514568 1.890647 Babar
6 -1.188436 0.294792 Rataxes
7 1.471766 -0.267807 Babar
8 -1.730745 1.358165 Rataxes
9 0.066946 0.375640
现在,我们将Tenants列中的所有空字符串替换为np.nan对象,如下所示:
1
2
3
4
5
6
7
8
9
10
11
12
13
14>>> df['Tenant'].replace('', np.nan, inplace=True)
>>> print df
A B Tenant
0 -0.588412 -1.179306 Babar
1 -0.008562 0.725239 NaN
2 0.282146 0.421721 Rataxes
3 0.627611 -0.661126 Babar
4 0.805304 -0.834214 NaN
5 -0.514568 1.890647 Babar
6 -1.188436 0.294792 Rataxes
7 1.471766 -0.267807 Babar
8 -1.730745 1.358165 Rataxes
9 0.066946 0.375640 NaN
现在我们可以删除空值:
1
2
3
4
5
6
7
8
9
10
11>>> df.dropna(subset=['Tenant'], inplace=True)
>>> print df
A B Tenant
0 -0.588412 -1.179306 Babar
2 0.282146 0.421721 Rataxes
3 0.627611 -0.661126 Babar
5 -0.514568 1.890647 Babar
6 -1.188436 0.294792 Rataxes
7 1.471766 -0.267807 Babar
8 -1.730745 1.358165 Rataxes
非常感谢,我会尝试一下,然后再回来!
@mcmath,有点好奇。 为什么可以导入pd.np.nan时导入numpy并使用np.nan?
@ propjk007,就像生活中的很多事情一样,有很多方法可以做很多事情
根据我的测试,看来df[df[Tenant].astype(bool)](假设没有空格字符-仅空字符串)比df.replace(, np.nan).dropna(subset=[Tenant])快
默认情况下,value_counts省略NaN,因此您最有可能处理"。
所以你可以像这样过滤掉它们
1
2filter = df["Tenant"] !=""
dfNew = df[filter]
@Bobs解决方案不适用于我。 df.dropna(subset = [tenant],inplace = True)有效。
对于那个很抱歉。 我以为您正在处理" s。您应该发布解决方案作为答案
Pythonic + Pandorable:df[df['col'].astype(bool)]
空字符串是虚假的,这意味着您可以像这样过滤布尔值:
1
2
3
4
5
6
7
8
9
10
11df = pd.DataFrame({
'A': range(5),
'B': ['foo', '', 'bar', '', 'xyz']
})
df
A B
0 0 foo
1 1
2 2 bar
3 3
4 4 xyz
1
2
3
4
5
6
7
8
9
10
11
12
13df['B'].astype(bool)
0 True
1 False
2 True
3 False
4 True
Name: B, dtype: bool
df[df['B'].astype(bool)]
A B
0 0 foo
2 2 bar
4 4 xyz
如果您的目标不仅是删除空字符串,而且还删除仅包含空格的字符串,请事先使用str.strip:
1
2
3
4
5df[df['B'].str.strip().astype(bool)]
A B
0 0 foo
2 2 bar
4 4 xyz
比您想像的快
.astype是矢量化操作,比到目前为止提出的每个选项都要快。至少从我的测试来看。 YMMV。
这是一个时序比较,我想了一些其他方法。
基准测试代码,以供参考:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22import pandas as pd
import perfplot
df1 = pd.DataFrame({
'A': range(5),
'B': ['foo', '', 'bar', '', 'xyz']
})
perfplot.show(
setup=lambda n: pd.concat([df1] * n, ignore_index=True),
kernels=[
lambda df: df[df['B'].astype(bool)],
lambda df: df[df['B'] != ''],
lambda df: df[df['B'].replace('', np.nan).notna()], # optimized 1-col
lambda df: df.replace({'B': {'': np.nan}}).dropna(subset=['B']),
],
labels=['astype',"!= ''","replace + notna","replace + dropna", ],
n_range=[2**k for k in range(1, 15)],
xlabel='N',
logx=True,
logy=True,
equality_check=pd.DataFrame.equals)
在某些情况下,单元格有空白,您看不到,请使用
1df['col'].replace(' ', np.nan, inplace=True)
将空白替换为NaN,然后
1df= df.dropna(subset=['col'])
您可以使用以下变体:
1
2
3
4
5
6
7
8import pandas as pd
vals = {
'name' : ['n1', 'n2', 'n3', 'n4', 'n5', 'n6', 'n7'],
'gender' : ['m', 'f', 'f', 'f', 'f', 'c', 'c'],
'age' : [39, 12, 27, 13, 36, 29, 10],
'education' : ['ma', None, 'school', None, 'ba', None, None]
}
df_vals = pd.DataFrame(vals) #converting dict to dataframe
这将输出(**-仅突出显示所需的行):
1
2
3
4
5
6
7
8age education gender name
0 39 ma m n1 **
1 12 None f n2
2 27 school f n3 **
3 13 None f n4
4 36 ba f n5 **
5 29 None c n6
6 10 None c n7
因此,要删除所有没有"教育"值的内容,请使用以下代码:
1df_vals = df_vals[~df_vals['education'].isnull()]
("?"表示不)
结果:
1
2
3
4age education gender name
0 39 ma m n1
2 27 school f n3
4 36 ba f n5