版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_38168620/article/details/79596798
import pandas as pd
import numpy as np
from numpy import nan as NaN
滤除缺失数据
pandas的设计目标之一就是使得处理缺失数据的任务更加轻松些。pandas使用NaN作为缺失数据的标记。
使用dropna使得滤除缺失数据更加得心应手。
一、处理Series对象
- 通过dropna()滤除缺失数据:
se1=pd.Series([4,NaN,8,NaN,5])
print(se1)
print(se1.dropna())
代码结果:
0 4.0
1 NaN
2 8.0
3 NaN
4 5.0
dtype: float64
0 4.0
2 8.0
4 5.0
dtype: float64
- 通过布尔序列也能滤除:
se1[se1.notnull()]
代码结果:
0 4.0
2 8.0
4 5.0
dtype: float64
二、处理DataFrame对象
处理DataFrame对象比较复杂,因为你可能需要丢弃所有的NaN或部分NaN。
df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])
print(df1)
代码结果:
0 1 2
0 1.0 2.0 3.0
1 NaN NaN 2.0
2 NaN NaN NaN
3 8.0 8.0 NaN
- 默认滤除所有包含NaN:(默认axis=0,how='any',删除带有空值的行,只要有一个空值,就删除整行)
df1.dropna()
代码结果:
0 1 2
0 1.0 2.0 3.0
- 传入how=‘all’滤除全为NaN的行:
df1.dropna(how='all')
代码结果:
0 1 2
0 1.0 2.0 3.0
1 NaN NaN 2.0
3 8.0 8.0 NaN
- 传入axis=1滤除列,只要有一个空值,就删除整列:
df1[3]=NaN
print(df1)
df1.dropna(axis=1,how="all")
代码结果:
0 1 2 3
0 1.0 2.0 3.0 NaN
1 NaN NaN 2.0 NaN
2 NaN NaN NaN NaN
3 8.0 8.0 NaN NaN
0 1 2
0 1.0 2.0 3.0
1 NaN NaN 2.0
2 NaN NaN NaN
3 8.0 8.0 NaN
- 传入thresh=n保留至少有n个非NaN数据的行:
print(df1.dropna(thresh=1))
print(df1.dropna(thresh=3))
0 1 2 3
0 1.0 2.0 3.0 NaN
1 NaN NaN 2.0 NaN
3 8.0 8.0 NaN NaN
0 1 2 3
0 1.0 2.0 3.0 NaN
网友评论