dropna()删除缺失值_数据分析—缺失值处理

数据分析—缺失值处理

我们获取到的数据(尤其是数据量比较大时)，很有可能会出现数据缺失、数据异常等问题，数据处理是数据分析里十分重要且必须的一个环节，为了在做数据分析时尽可能减少异常的出现，以及得出更精准的分析结论，因此在做数据分析之前，数据处理显得尤其必要

阅读条件：熟悉pandas基本操作

使用工具：Python

使用平台：jupyter notebook

缺失值处理

缺失值判断

python主要读取的是csv或者excel数据，excel中单元格为空时，pandas读取显示的是NaN，即为缺失值

判断缺失值数据方法：isnull，notnull

• isnull：True表示缺失，False表示非缺失
• notnull：True表示非缺失，False表示缺失

首先导入python数据分析必选工具包

import numpy as npimport pandas as pd__author__='莫叹'复制代码

生成一个表格型的二维数组df

#生成一个表格型的二维数组df=pd.DataFrame({'a':[34,6,20,np.nan,56], 'b':['','number','one','good',np.nan]})复制代码

输出如下：