快捷導(dǎo)航

Python?pandas中DataFrame.dropna()刪除缺失值用法實例

更新時間：2025年06月30日 09:46:19 作者：weixin_44865058

在Python的Pandas庫中DataFrame對象是處理二維表格數(shù)據(jù)的核心結(jié)構(gòu),下面這篇文章主要介紹了Python?pandas中DataFrame.dropna()刪除缺失值用法的相關(guān)資料,需要的朋友可以參考下

前言

在 Pandas 中，DataFrame.dropna() 用于刪除缺失值（NaN 或 None），是數(shù)據(jù)清洗的關(guān)鍵操作。以下是詳細(xì)用法和常見場景：

1. 基本語法

cleaned_df = df.dropna(
    axis=0,          # 刪除行（默認(rèn)）或列（axis=1）
    how='any',       # 'any'（默認(rèn)，存在缺失即刪除）或 'all'（全為缺失才刪除）
    thresh=None,     # 保留非缺失值數(shù)量≥thresh的行/列
    subset=None,     # 僅檢查指定列的缺失情況
    inplace=False    # 是否原地修改（False時返回新DataFrame）
)

2. 核心參數(shù)詳解

參數(shù)	說明	示例
axis	`0` 或 `'index'`：刪除包含缺失值的行（默認(rèn)） `1` 或 `'columns'`：刪除列	`df.dropna(axis=1)`
how	`'any'`：行/列中任一缺失即刪除 `'all'`：行/列全部缺失才刪除	`df.dropna(how='all')`
thresh	保留至少含 `thresh` 個非缺失值的行/列（優(yōu)先級高于 `how`）	`df.dropna(thresh=3)`
subset	僅對指定列（列表形式）檢查缺失值	`df.dropna(subset=['Age', 'Salary'])`
inplace	`True`：直接修改原DataFrame，不返回新對象 `False`：返回新DataFrame（默認(rèn)）	`df.dropna(inplace=True)`

3. 常見使用場景

(1) 刪除所有含缺失值的行（默認(rèn)行為）

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'A': [1, np.nan, 3],
    'B': ['x', np.nan, 'z'],
    'C': [10, 20, 30]
})

cleaned_df = df.dropna()
print(cleaned_df)

輸出：

A B C
0 1.0 x 10
2 3.0 z 30

(2) 刪除所有含缺失值的列

cleaned_df = df.dropna(axis=1)
print(cleaned_df)

輸出：

C
0 10
1 20
2 30

(3) 僅當(dāng)整行全為缺失值時刪除

cleaned_df = df.dropna(how='all')

(4) 保留至少2個非缺失值的行

cleaned_df = df.dropna(thresh=2)

(5) 僅檢查特定列的缺失值

cleaned_df = df.dropna(subset=['A', 'B'])

4. 注意事項

缺失值類型：Pandas 將 None 和 np.nan 均視為缺失值。
性能優(yōu)化：對大型DataFrame，thresh 比 how 更高效。
替代方案：若不想刪除數(shù)據(jù)，可用 df.fillna() 填充缺失值。

5. 可視化對比

原始數(shù)據(jù) (df)：

A	B	C
1.0	‘x’	10
NaN	NaN	20
3.0	‘z’	30

執(zhí)行 df.dropna() 后：

A	B	C
1.0	‘x’	10
3.0	‘z’	30

通過靈活組合參數(shù)，dropna() 可以精準(zhǔn)控制數(shù)據(jù)清洗的粒度，是處理缺失值的利器！

總結(jié)

到此這篇關(guān)于Python pandas中DataFrame.dropna()刪除缺失值用法的文章就介紹到這了,更多相關(guān)pandas DataFrame.dropna()刪除缺失值內(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: