缺失数据处理

lola儿

于 2020-06-22 21:44:11 发布

阅读量398

点赞数

CC 4.0 BY-SA版权

文章标签： numpy

本文链接：https://blog.youkuaiyun.com/llliual/article/details/106906256

本文介绍了处理缺失数据的三种方法：使用fillna进行填充，包括值填充和前后向填充；使用dropna进行剔除，按行、列操作，并结合how参数和subset参数实现数据过滤；最后，探讨了插值方法，如线性插值和高级插值在处理缺失值中的应用。并提供了实例练习，涉及删除缺失值超25%的列、不同类型数据的筛选及统计列缺失比例等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

缺失数据处理的三种方法

以表table_missing为例
导入数据：

import pandas as pd
import numpy as np
df = pd.read_csv('data/table_missing.csv')
df.head()

表如下：
在这里插入图片描述
1. 方法一：填充，fillna方法
（a）值填充与前后向填充

df['Physics'].fillna('missing').head()##值填充
df['Physics'].fillna(method='ffill').head()##向前填充
df['Physics'].fillna(method='backfill').head() ##向后填充

（b）填充中的对齐特性

df_f = pd.DataFrame({
   
   'A':[1,3,np.nan],'B':[2,4,np.nan]

最低0.47元/天解锁文章

200万优质内容无限畅学