数据清洗是一项复杂且繁琐的工作，同时也是整个数据分析过程中最为重要的环节。
在python中空值被显示为NaN。首先，我们要构造一个包含NaN的DataFrame对象。
|
1
2
3
4
5
6
7
8
9
10
11
|
>>> import numpy as np>>> import pandas as pd>>> from pandas import Series,DataFrame>>> from numpy import nan as NaN>>> data = DataFrame([[12,'man','13865626962'],[19,'woman',NaN],[17,NaN,NaN],[NaN,NaN,NaN]],columns=['age','sex','phone'])>>> data age sex phone0 12.0 man 138656269621 19.0 woman NaN2 17.0 NaN NaN3 NaN NaN NaN |
删除NaN
删除NaN所在的行
删除表中全部为NaN的行
|
1
2
3
4
5
|
>>> data.dropna(axis=0, how='all') age sex phone0 12.0 man 138656269621 19.0 woman NaN2 17.0 NaN NaN |
删除表中任何含有NaN的行
|
1
2
3
|
>>> data.dropna(axis=0, how='any') age sex phone0 12.0 man 13865626962 |
删除NaN所在的列
删除表中全部为NaN的列
|
1
2
3
4
5
6
|
>>> data.dropna(axis=1, how='all') age sex phone0 12.0 man 138656269621 19.0 woman NaN2 17.0 NaN NaN3 NaN NaN NaN |
删除表中任何含有NaN的列
|
1
2
3
4
|
>>> data.dropna(axis=1, how='any')Empty DataFrameColumns: []Index: [0, 1, 2, 3] |
注意：axis 就是”轴，数轴“的意思，对应多维数组里的”维“。此处作者的例子是二维数组，所以，axis的值对应表示：0轴（行），1轴（列）。
填充NaN
如果不想过滤（去除）数据，我们可以选择使用fillna()方法填充NaN，这里，作者使用数值'0'替代NaN,来填充DataFrame。
|
1
2
3
4
5
6
|
>>> data.fillna(0) age sex phone0 12.0 man 138656269621 19.0 woman 02 17.0 0 03 0.0 0 0 |
我们还可以通过字典来填充，以实现对不同的列填充不同的值。
|
1
2
3
4
5
6
|
>>> data.fillna({'sex':233,'phone':666}) age sex phone0 12.0 man 138656269621 19.0 woman 6662 17.0 233 6663 NaN 233 666 |
以上这篇数据清洗--DataFrame中的空值处理方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/yuanxiang01/article/details/78738812
