数据清洗--DataFrame中的空值处理
来源:互联网 发布:mac matlab 安装路径 编辑:程序博客网 时间:2024/04/30 09:05
数据清洗是一项复杂且繁琐的工作,同时也是整个数据分析过程中最为重要的环节。
在python中空值被显示为NaN。首先,我们要构造一个包含NaN的DataFrame对象。
>>> import numpy as np>>> import pandas as pd>>> from pandas import Series,DataFrame>>> from numpy import nan as NaN>>> data = DataFrame([[12,'man','13865626962'],[19,'woman',NaN],[17,NaN,NaN],[NaN,NaN,NaN]],columns=['age','sex','phone'])>>> data age sex phone0 12.0 man 138656269621 19.0 woman NaN2 17.0 NaN NaN3 NaN NaN NaN
删除NaN
删除NaN所在的行
删除表中全部为NaN的行
>>> data.dropna(axis=0, how='all') age sex phone0 12.0 man 138656269621 19.0 woman NaN2 17.0 NaN NaN
删除表中任何含有NaN的行
>>> data.dropna(axis=0, how='any') age sex phone0 12.0 man 13865626962
删除NaN所在的列
删除表中全部为NaN的列
>>> data.dropna(axis=1, how='all') age sex phone0 12.0 man 138656269621 19.0 woman NaN2 17.0 NaN NaN3 NaN NaN NaN
删除表中任何含有NaN的列
>>> data.dropna(axis=1, how='any')Empty DataFrameColumns: []Index: [0, 1, 2, 3]
注意:axis 就是”轴,数轴“的意思,对应多维数组里的”维“。此处作者的例子是二维数组,所以,axis的值对应表示:0轴(行),1轴(列)。
填充NaN
如果不想过滤(去除)数据,我们可以选择使用fillna()方法填充NaN,这里,作者使用数值’0’替代NaN,来填充DataFrame。
>>> data.fillna(0) age sex phone0 12.0 man 138656269621 19.0 woman 02 17.0 0 03 0.0 0 0
我们还可以通过字典来填充,以实现对不同的列填充不同的值。
>>> data.fillna({'sex':233,'phone':666}) age sex phone0 12.0 man 138656269621 19.0 woman 6662 17.0 233 6663 NaN 233 666
参考资料:
- 使用python进行数据清洗
阅读全文
0 0
- 数据清洗--DataFrame中的空值处理
- 数据清洗---缺失值处理
- 机器学习中的数据清洗与特征处理综述
- 【机器学习】机器学习中的数据清洗与特征处理
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗和特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 机器学习中的数据清洗与特征处理综述
- 堆排序 c++
- mysql常用命令整理
- ANR详解
- 莫烦 python Pandas 学习笔记 2017.12.7.11
- linux下 /etc/profile、~/.bash_profile ~/.profile的执行过程
- 数据清洗--DataFrame中的空值处理
- 【第八周】项目4-字符串加密
- javascript 函数方法apply()和call()的共同点和区别
- Servlet 简单实例
- HTTP请求中POST与GET的区别
- Javascript Boolean对象与布尔值之间的差异
- struts2修改文件上传的大小
- APK反编译
- 断点续传下载文件 http