约定：
import pandas as pdimport numpy as npfrom 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：
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：
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]])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：
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：
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：
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
df1.dropna(axis=1,how="all")代码结果：
传入thresh=n保留至少有n个非NaN数据的行：
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
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。
最新文章
热门文章
猜你喜欢
