利用pandas处理缺失数据

工作中少不了各种缺失数据，对其进行处理的方式也可以是各有不同

---

概览

• dropna : 对缺失数据进行过滤
• fillna ：以特定的方式补充缺失数据
• isnull ：返回布尔对象
• notnull: isnull的否定

1、删除缺失数据dropna()

import pandas as pd
import numpy as np
data = pd.DataFrame([[2.3, 6.6, 3.7], [1., np.nan, np.nan],
                     [np.nan, np.nan, np.nan], [np.nan, 6.5, 4.]])

data2 = data.dropna()
data

# 默认是对行进行处理，有空值就会删除
data2

# how =“all”，全部是空值这一行才删除
data.dropna(how='all')

# 丢弃列 axis =1
data['临时'] =np.nan
data

data.dropna(axis =1,how='all')

# thresh可以只删除部分的缺失值的行,(对列不起效)
data.dropna(thresh = 2)

2、填补缺失数据 fillna()

#  用0填充,inplace =True可以实现源数据的修改
data.fillna(0)

# 调用字典,不同的列实现不同的填充
data.fillna({
     2:'#',"临时":"%%"})

method = ffill,limit=2 也可以进行定制化限制

• value：用固定的值填充
• method: 插值方式，未指定的话默认是ffill
• axis：待填充的轴，默认axis =0
• inplace：数据源上修改
• limit：（向前向后填充），可以连续填充的最大数量

---

更详细的源代码和阅读体验可以转至GitHub

「公众号：琦度」