数据返回nan_数据基本操作（二）

这一期咱们继续讲讲一些基本的数据操作。不管是从数据源读取的数据，还是自己造的数据，都可能有部分字段部分行缺失。在数据分析过程中，缺失值的处理是一个很重要的操作。Python的DataFrame对于缺失值显示的是NaN。

首先，咱们还是利用上次造的数据。

import pandas as pd

dic={

'math':[88,66,55],

'physics':[99,77,33],

'science':[55,88,65]

}

df=pd.DataFrame(data=dic,index=['student1','student2','student3'])

1、空值判断

isnull()：是否是空值

notnull()：是否不是空值

使用df.isnull()语句会返回数据表中每个字段是否空值的布尔（true/false）判断。

除此之外，我们也可以用df1.notnull().all(axis=1)判断哪一行有空值。

2、空值的删除与填充

dropna(): 删除丢失数据

fillna(): 填充丢失数据

使用df1.dropna()语句删除任意含有空值的行，如果想要删除任意含有空值的列，可以设置axis=1如df1.dropna(axis=1)

使用df1.fillna(0)语句可以将所有的空值填充为0，也可以填充为任意需要的值。

3、nan的判断

有些时候我们并不想填充nan或是把含nan的行或列去掉，需要保留nan。但是在做数据操作的时候又需要对字段内的nan判断，不能使用isnull语句，该怎么办。

这时候需要另外一个模块——math。

判断某一个单独的数值是否是nan，我都建议使用math模块,即math.isnan()来判断。

我们可以试一下，在python单独制造nan需要用到numpy。

import numpy as np

np.nan is np.nan 结果为True

np.nan == np.nan 结果为False

是不是很神奇，两种写法好像是一样的，可就是出现了不一样的结果。内在原因很复杂，我也不太清楚，有兴趣可以查阅相关资料。

Import math

math.isnan(np.nan) 结果为True。

用math判断nan是比较保险的。另外，判断正负无穷也比较推荐math模块，如：math.isinf(np.inf)

4、字段重命名

如果需要将字段重命名，可以使用rename语句。

df1.rename(columns={'math':'english'},inplace=True)

此语句可以将math字段更名为english,其中有一个小技巧是一定要写inplace=True。只有这样才会将更改落实到df1表里，否则它只会显示你的更改，df1里的字段名还是math。

5、删除列

删除一列：df2=df1.drop('science',axis=1)

删除多列：df3=df1.drop(['science','physics'],axis=1)

删除列的时候一定要记得写axis=1才能达到你想要的效果。

这一期就到这吧，下期再见。

更多内容请关注微信公众号：XiaoXiong-WeiKe