pandas 获取nan|极客笔记

pandas 获取nan

在数据分析和处理过程中，经常会遇到缺失值（NaN）的情况。NaN通常表示数据缺失、不可用或无效的值。在Python中，pandas是一个强大的数据处理库，提供了很多方法来处理NaN值。

本文将重点介绍如何在pandas中获取和处理NaN值。

创建包含NaN值的DataFrame

首先，让我们创建一个包含NaN值的DataFrame，以便后续演示。

import pandas as pd
import numpy as np

data = {'A': [1, 2, np.nan, 4],
        'B': [5, np.nan, 7, 8],
        'C': [np.nan, 10, 11, 12]}

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

运行上面的代码后，我们将获得以下输出:

     A    B     C
0  1.0  5.0   NaN
1  2.0  NaN  10.0
2  NaN  7.0  11.0
3  4.0  8.0  12.0

我们创建了一个包含NaN值的DataFrame，其中一些单元格包含NaN值。

检测NaN值

在处理数据时，通常需要检测DataFrame中的NaN值。pandas提供了一些方法来检测NaN值。

isnull()方法

isnull()方法可用于检查DataFrame中的NaN值。它将返回一个与原始DataFrame相同形状的布尔类型的DataFrame，元素为True表示NaN值，False表示非NaN值。

print(df.isnull())

运行上面的代码，我们将得到以下输出:

       A      B      C
0  False  False   True
1  False   True  False
2   True  False  False
3  False  False  False

上面的输出显示了DataFrame中的NaN值的位置。

notnull()方法

与isnull()方法相对应的是notnull()方法，用于检查DataFrame中的非NaN值。

print(df.notnull())

运行上面的代码，我们将得到以下输出:

       A      B      C
0   True   True  False
1   True  False   True
2  False   True   True
3   True   True   True

访问NaN值

loc[]方法

loc[]方法是pandas用于切片和访问数据的方法之一。它可以通过行标签和列标签来访问DataFrame中的数据。

print(df.loc[2, 'A'])

运行上面的代码，我们会得到NaN值。

iloc[]方法

iloc[]方法类似于loc[]，但它用整数位置来访问DataFrame中的数据。

print(df.iloc[1, 1])

运行上面的代码，我们将得到一个NaN值。

处理NaN值

删除NaN值

处理NaN值的一种常见方法是删除包含NaN值的行或列。我们可以使用dropna()方法来实现。

print(df.dropna())

运行上面的代码，我们将得到删除NaN值后的DataFrame:

     A    B     C
3  4.0  8.0  12.0

上面的代码删除了包含NaN值的行。

替换NaN值

另一种处理NaN值的方法是将其替换为特定的值。我们可以使用fillna()方法来实现。

print(df.fillna(0))

运行上面的代码，我们将得到将NaN值替换为0后的DataFrame:

     A    B     C
0  1.0  5.0   0.0
1  2.0  0.0  10.0
2  0.0  7.0  11.0
3  4.0  8.0  12.0

上面的代码将NaN值替换为了0。

结论

在数据处理过程中，经常会遇到NaN值的情况。本文介绍了如何在pandas中获取和处理NaN值，包括检测NaN值、访问NaN值、删除NaN值和替换NaN值等方法。熟练掌握这些方法，可以有效处理数据中的NaN值，从而提高数据处理的效率和准确性。

pandas 获取nan