约定：

import pandas as pdimport numpy as npfrom numpy import nan as NaN

滤除缺失数据

pandas的设计目标之一就是使得处理缺失数据的任务更加轻松些。pandas使用NaN作为缺失数据的标记。

使用dropna使得滤除缺失数据更加得心应手。

一、处理Series对象

通过**dropna()**滤除缺失数据：

se1=pd.Series([4,NaN,8,NaN,5])print(se1)se1.dropna()

代码结果：

0 4.0
1 NaN
2 8.0
3 NaN
4 5.0
dtype: float64

0 4.0
2 8.0
4 5.0
dtype: float64

通过布尔序列也能滤除：

se1[se1.notnull()]

代码结果：

0 4.0
2 8.0
4 5.0
dtype: float64

二、处理DataFrame对象

处理DataFrame对象比较复杂，因为你可能需要丢弃所有的NaN或部分NaN。

df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])df1

代码结果：

0 1 2 0 1.0 2.0 3.0 1 NaN NaN 2.0 2 NaN NaN NaN 3 8.0 8.0 NaN

默认滤除所有包含NaN：

df1.dropna()

代码结果：

0 1 2 0 1.0 2.0 3.0

传入**how=‘all'**滤除全为NaN的行：

df1.dropna(how='all')

代码结果：

0 1 2 0 1.0 2.0 3.0 1 NaN NaN 2.0 3 8.0 8.0 NaN

传入axis=1滤除列：

df1[3]=NaNdf1

代码结果：

0 1 2 3 0 1.0 2.0 3.0 NaN 1 NaN NaN 2.0 NaN 2 NaN NaN NaN NaN 3 8.0 8.0 NaN NaN

df1.dropna(axis=1,how="all")

代码结果：

传入thresh=n保留至少有n个非NaN数据的行：

df1.dropna(thresh=1)df1.dropna(thresh=3)

代码结果：

0 1 2 0 1.0 2.0 3.0 1 NaN NaN 2.0 2 NaN NaN NaN 3 8.0 8.0 NaN

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。