快捷導(dǎo)航

pandas數(shù)據(jù)缺失的兩種處理辦法

更新時間：2024年12月30日 11:18:12 作者：右拐三次就是左

本文主要介紹了在pandas中處理數(shù)據(jù)缺失和0值,文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

1.為NaN數(shù)據(jù)的處理

1.判斷這列有沒有NaN

has_nan = df['age'].isnull().any()
print(has_nan)

或者直接在控制臺根據(jù)數(shù)據(jù)進行判斷

在這里插入圖片描述

2.處理方式

在這里插入圖片描述

假設(shè)我操作的是original_publication_year這一列，如何操作才能得到過濾后的顯示樣式

在這里插入圖片描述

處理方式1:只考慮單列

df2 = df[pd.notnull(df["original_publication_year"])

這行代碼的目的是去除 original_publication_year 列中含有 NaN 值的行，并生成一個新的 DataFrame（df2），包含了所有 original_publication_year 列中不含 NaN 值的行。

3. df["original_publication_year"] 是獲取 df 數(shù)據(jù)框中的 original_publication_year 這一列。

4. pd.notnull(df["original_publication_year")用于檢查數(shù)據(jù)中的每個元素是否不是 NaN。返回一個布爾值的 Series.
True 的行會被保留；
False 的行會被排除(Book2何Book4被去除)。

5. 返回一個所有 original_publication_year 列中不是NaN 的行新的DataFrame

處理方式2：刪除NaN所在的行

dropna(axis=0,how='any',inplace=False)

any表示有就刪,all表示全部是NaN才刪
inplace表示是否進行原地修改

處理方式3：填充數(shù)據(jù)

mean_value = df["original_publication_year"].mean()  # 計算均值
df_filled=df["original_publication_year"].fillna(mean_value)

在這里插入圖片描述

t.fillna(t.mean()) #填充均值
t["列名"]=t["列名"].fillna(t["列名"].mean())
#單獨對某一列進行操作
t.fiallna(t.median()) #填充中值
t.fillna(0)

t[t==0]=np.nan # 賦值為NaN
# 當(dāng)然并不是每次為0的數(shù)據(jù)都需要處理
# 計算平均值等情況，nan是不參與計算的，但是0會的

設(shè)置成NaN后用處理NaN的方法處理。

到此這篇關(guān)于pandas數(shù)據(jù)缺失的處理辦法解決的文章就介紹到這了,更多相關(guān)pandas數(shù)據(jù)缺失內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: