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。
>>> 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 phone 0 12.0 man 13865626962 1 19.0 woman NaN 2 17.0 NaN NaN 3 NaN NaN NaN
刪除NaN
刪除NaN所在的行
刪除表中全部為NaN的行
>>> data.dropna(axis=0, how='all') age sex phone 0 12.0 man 13865626962 1 19.0 woman NaN 2 17.0 NaN NaN
刪除表中任何含有NaN的行
>>> data.dropna(axis=0, how='any') age sex phone 0 12.0 man 13865626962
刪除NaN所在的列
刪除表中全部為NaN的列
>>> data.dropna(axis=1, how='all') age sex phone 0 12.0 man 13865626962 1 19.0 woman NaN 2 17.0 NaN NaN 3 NaN NaN NaN
刪除表中任何含有NaN的列
>>> data.dropna(axis=1, how='any') Empty DataFrame Columns: [] 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。
>>> data.fillna(0) age sex phone 0 12.0 man 13865626962 1 19.0 woman 0 2 17.0 0 0 3 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。
>>> data.fillna({'sex':233,'phone':666})
age sex phone
0 12.0 man 13865626962
1 19.0 woman 666
2 17.0 233 666
3 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億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
