pandas怎么过滤NaN

pandas怎么过滤NaN

在数据分析和处理过程中，经常会遇到缺失值（NaN）的情况，如果不处理这些NaN值可能会影响到我们的分析结果。Pandas提供了一些方法来过滤NaN值，使我们能够更好地处理数据。本文将介绍如何使用Pandas来过滤NaN值。

什么是NaN

NaN是英文”not a number”的缩写，表示不是一个数字。在Python中，NaN是一种特殊的浮点数，用来表示缺失值或不可用值。在Pandas中，NaN值会影响数据的分析和处理，因此需要进行过滤和处理。

创建包含NaN值的数据

为了演示如何过滤NaN值，首先我们需要创建一些包含NaN值的数据。我们可以使用Pandas中的DataFrame来创建数据。

import pandas as pd
import numpy as np

data = {'A': [1, 2, np.nan, 4],
        'B': [5, np.nan, np.nan, 8],
        'C': [np.nan, 12, 13, 14]}

df = pd.DataFrame(data)
print(df)

运行以上代码，我们可以得到一个包含NaN值的DataFrame：

     A    B     C
0  1.0  5.0   NaN
1  2.0  NaN  12.0
2  NaN  NaN  13.0
3  4.0  8.0  14.0

过滤NaN值

dropna方法

Pandas中的dropna方法可以用来过滤NaN值。默认情况下，dropna方法会删除包含NaN值的行，但我们也可以通过指定参数来控制删除列或者删除包含NaN的行或列。

首先，我们可以使用dropna方法删除包含NaN值的行：

df.dropna(axis=0, inplace=True)
print(df)

运行以上代码，输出的结果将不包含NaN值的行：

     A    B     C
3  4.0  8.0  14.0

我们也可以使用axis=1参数来删除包含NaN值的列：

df = pd.DataFrame(data)
df.dropna(axis=1, inplace=True)
print(df)

运行以上代码，输出的结果将不包含NaN值的列：

Empty DataFrame
Columns: []
Index: [0, 1, 2, 3]

fillna方法

除了删除包含NaN值的行或列，我们还可以使用fillna方法将NaN值替换为指定的值。例如，我们可以使用0来填充NaN值：

df = pd.DataFrame(data)
df.fillna(0, inplace=True)
print(df)

运行以上代码，输出的结果将NaN值替换为0：

     A    B     C
0  1.0  5.0   0.0
1  2.0  0.0  12.0
2  0.0  0.0  13.0
3  4.0  8.0  14.0

总结

本文介绍了如何使用Pandas来过滤NaN值，包括使用dropna方法删除包含NaN值的行或列，以及使用fillna方法将NaN值替换为指定的值。在数据处理和分析过程中，正确处理NaN值是非常重要的，可以保证我们得到准确的分析结果。