数据清洗--DataFrame中的空值处理方法
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。
>>>importnumpyasnp >>>importpandasaspd >>>frompandasimportSeries,DataFrame >>>fromnumpyimportnanasNaN >>>data=DataFrame([[12,'man','13865626962'],[19,'woman',NaN],[17,NaN,NaN],[NaN,NaN,NaN]],columns=['age','sex','phone']) >>>data agesexphone 012.0man13865626962 119.0womanNaN 217.0NaNNaN 3NaNNaNNaN
删除NaN
删除NaN所在的行
删除表中全部为NaN的行
>>>data.dropna(axis=0,how='all') agesexphone 012.0man13865626962 119.0womanNaN 217.0NaNNaN
删除表中任何含有NaN的行
>>>data.dropna(axis=0,how='any') agesexphone 012.0man13865626962
删除NaN所在的列
删除表中全部为NaN的列
>>>data.dropna(axis=1,how='all') agesexphone 012.0man13865626962 119.0womanNaN 217.0NaNNaN 3NaNNaNNaN
删除表中任何含有NaN的列
>>>data.dropna(axis=1,how='any') EmptyDataFrame Columns:[] 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。
>>>data.fillna(0) agesexphone 012.0man13865626962 119.0woman0 217.000 30.000
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。
>>>data.fillna({'sex':233,'phone':666})
agesexphone
012.0man13865626962
119.0woman666
217.0233666
3NaN233666
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毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。