pandas.dropna/isnull/fillna/astype的用法

最新推荐文章于 2025-03-12 12:51:25 发布

转载最新推荐文章于 2025-03-12 12:51:25 发布 · 749 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/nxf-rabbit75/p/9298110.html

文章标签：

#python

本文详细介绍了使用Pandas库进行数据清洗和处理的方法，包括如何删除无效数据、填充缺失值以及转换数据类型，提供了实用的代码示例，帮助读者掌握数据预处理的核心技能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

删除表中的某一行或者某一列更明智的方法是使用drop，它不改变原有的df中的数据，而是返回另一个dataframe来存放删除后的数据。

（1）清理无效数据

df[df.isnull()]  #返回的是个true或false的Series对象（掩码对象），进而筛选出我们需要的特定数据。 
df[df.notnull()]  

df.dropna()     #将所有含有nan项的row删除 
df.dropna(axis=1,thresh=3)  #将在列的方向上三个为NaN的项删除 
df.dropna(how='ALL')        #将全部项都是nan的row删除

此处：print( data.dropna()) 和 print(data[data.notnull()]) 结果一样

（2）填充无效值

df.fillna(0) 
df.fillna({1:0, 2:0.5})         #对第一列nan值赋0，第二列赋值0.5 
df.fillna(method='ffill')   #在列方向上以前一个值作为值赋给Na

注意：凡是会对原数组作出修改并返回一个新数组的，往往都有一个 inplace可选参数。如果手动设定为True（默认为False），那么原数组直接就被替换。也就是说，采用inplace=True之后，原数组名（如2和3情况所示）对应的内存值直接改变；

而采用inplace=False之后，原数组名对应的内存值并不改变，需要将新的结果赋给一个新的数组或者覆盖原数组的内存位置（如1情况所示）。

（3）astype函数的使用：数据类型转换

df['Name'] = df['Name'].astype(np.datetime64)

DataFrame.astype() 方法可对整个DataFrame或某一列进行数据格式转换，支持Python和NumPy的数据类型。

转载于:https://www.cnblogs.com/nxf-rabbit75/p/9298110.html