na處理方法
方法 說明
dropna
根據各標籤的值中是否存在缺失資料對軸標籤進行過濾，可通過閾值調節對缺失值得容忍度
fillna
用指定值或插值方法（如ffill和bfill）填充缺失資料
isnull
返回乙個含有布林值的物件，這些布林值表示哪些值是缺失值na,該物件的型別與源型別一樣
notnull
isnull的否定式
濾除缺失資料（dropna）
series
in [
1]:
import
pandas
aspd in [
2]:
from
pandas
import
dataframe, series in [
3]:
import
numpy
asnp in [
4]:
from
numpy
import
nan
asna in [
5]: data = series([
1, na,
3.5, na,
7]) in [
6]: data.dropna() out[
6]:
01.0
23.5
47.0
dtype: float64 in [
7]: data[data.notnull()] out[
7]:
01.0
23.5
47.0
dtype: float64
dataframe
填充缺失資料（fillna）!!
替換值利用
fillna
方法填充缺失資料可以看做值替換的一種特殊情況。而
replace
則提供了一種實現該功能的更簡單、更靈活的方式。
in[11
]: data = series([
1.,-
999.,2.
,-999.
,-1000.,3.
]) in[12
]: data
out[
12]:
01.01-
999.0
22.03-
999.04-
1000.0
53.0
dtype: float64 in[
13]: data
.replace
(-999
, np
.nan
) out[13
]: 0
1.01
nan
22.0
3nan 4-
1000.0
53.0
dtype: float64 in[
14]: data
.replace
([-999
,-1000
], np
.nan
) out[14
]: 0
1.01
nan
22.0
3nan
4nan
53.0
dtype: float64 in[
15]: data
.replace
([-999
,-1000
], [np
.nan,0
]) out[15
]: 0
1.01
nan
22.0
3nan
40.0
53.0
dtype: float64 in[
16]: data
.replace
() out[16
]: 0
1.01
nan
22.0
3nan
40.0
53.0
dtype: float64
Pandas 處理缺失資料
import numpy as np import pandas as pd from pandas import series,dataframes series a b np.nan,c d pd.isnull s 0 false 1 false 2 true 3 false 4 false d...
pandas處理，填充缺失資料
1 pandas使用浮點值nan表示浮點和非浮點陣列的缺失資料 對於乙個series可以用dropna方法或者通過布林型索引達到目的 2 對於dataframe丟棄全na 丟棄全為na的那些行 丟棄全為na的那些列 利用thresh,留下一部分觀測資料 thresh 3,表示在行方向上至少有3個非n...
Pandas中資料的缺失處理
在pandas資料處理中，資料值缺失是經常面臨的問題。如何查詢 處理缺失值就成了資料處理的必備方法。一 缺失值型別 pandas中缺失值主要有三種符號 np.nan none和nat。np.nan是缺失值的一種符號，nan意為not a number。它不等於任何東西，包括它本身。其次，在使用equ...