數據清洗是一項復雜且繁瑣的工作，同時也是整個數據分析過程中最為重要的環節。
在python中空值被顯示為NaN。首先，我們要構造一個包含NaN的DataFrame對象。
|
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 |
刪除NaN
刪除NaN所在的行
刪除表中全部為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 |
刪除表中任何含有NaN的行
|
1
2
3
|
>>> data.dropna(axis=0, how='any') age sex phone0 12.0 man 13865626962 |
刪除NaN所在的列
刪除表中全部為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 |
刪除表中任何含有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”軸，數軸“的意思，對應多維數組里的”維“。此處作者的例子是二維數組，所以，axis的值對應表示：0軸（行），1軸（列）。
填充NaN
如果不想過濾（去除）數據，我們可以選擇使用fillna()方法填充NaN，這里，作者使用數值'0'替代NaN,來填充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 |
我們還可以通過字典來填充，以實現對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 |
以上這篇數據清洗--DataFrame中的空值處理方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/yuanxiang01/article/details/78738812
