np.Nan值处理 isnan/dropna

本文主要是介绍np.Nan值处理 isnan/dropna，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

检查数据是否为nan

df.isnan() # 对每一个元素返回True/Flase,说明其是/不是nan

将某些数据变为nan

• 将自定义缺失的填充值替换为nan

  df.replace('missing', np.nan,inplace=True) #将表格中的"Missing"字符串替换为np.nan

[ TIPS ] :在读人表格时完成该操作

missing_lst=['missing','/']
df=pd.read_csv(*****, na_values=missing_lst) #读取表格时将'missing','/'字符串替换为np.nan

将nan值填充

df.fillna(0) #将表格中的nan替换为0

删除有关Nan的数据

• 去除含有Na的行

df.dropna()

• 更多自定义

df.dropna(axis='index',how='all/any',subset=['last','email'])

若为any，表示如果某一行在last、 email标签下缺失任何一个值，就将该行删去。
若为all，表示如果某一行在last、 email标签下值全部缺失，就将该行删去。

这篇关于np.Nan值处理 isnan/dropna的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---