Part6:Pandas 三类函数对缺失值的处理 | 您所在的位置:网站首页 › pandas取前100行 › Part6:Pandas 三类函数对缺失值的处理 |
Pandas对缺失值的处理 Pandas使用这些函数处理缺失值: . isnull和notnull:检测是否是空值,可用于df和series. dropna:丢弃、删除缺失值 axis:删除行还是列,{0 or 'index',1 or 'columns'}, default 0 how :如果等于any则任何值为空都删除,如果等于all则所有值都为空才删除 inplace :如果为True则修改当前df,否则返回新的df . fillna:填充空值 value:用于填充的值,可以是单个值,或者字典(key是列名,value是值) method :等于ffill使用前一个不为空的值填充forword fill;等于bfill使用后一个不为空的值填充backword fill axis:按行还是列填充,{0 or 'index',1 or 'columns'} inplace:如果为True则修改当前df,否则返回新的df import pandas as pd 实例:特殊Excel的读取、清洗、处理 步骤1:读取excel的时候,忽略前几个空行 fpath='./datas/student_excel/student_excel.xlsx' df=pd.read_excel(fpath,skiprows=2) df 步骤2:检测空值--df.isnull() df.isnull()以下两个函数输出的是相反的值: df['分数'].isnull()、df['分数'].notnull() df['分数'].isnull() df['分数'].notnull()筛选出没有空分数的所有行---df.loc[df['分数'].notnull(),:] #筛选出没有空分数的所有行 df.loc[df['分数'].notnull(),:] 步骤3:删除掉全是空值的列 df.dropna(axis='columns',how='all',inplace=True) df 步骤4:删除掉全是空值的行 df.dropna(axis='index',how='all',inplace=True) df 步骤5:将分数列为空的填充为0分 df.fillna({'分数':0})上述操作可以等于以下代码 #上述操作可以等于一下代码 df.loc[:,'分数']=df['分数'].fillna(0) df 步骤6:将姓名的缺失值填充使用前面的有效值填充,用ffill:forward fill df.loc[:,'姓名']=df['姓名'].fillna(method='ffill') df 步骤7:将清洗号的excel保存 df.to_excel('./datas/student_excel/student_excel_clean.xlsx',index=False) |
CopyRight 2018-2019 实验室设备网 版权所有 |