<think>好的，我现在需要帮用户解决如何使用Pandas统计每列空值数量的问题。首先，我得回忆一下Pandas中处理缺失值的相关方法。根据用户提供的引用，特别是引用[4]和[5]，里面提到了使用isnull()和isna()方法，这两个方法应该是等价的，返回布尔值DataFrame，表示每个位置是否为缺失值。
接下来，统计每列的空值数量，应该是在isnull()之后对每一列进行求和。因为True会被视为1，False为0，所以sum()函数可以计算每列True的数量，也就是缺失值的数量。比如引用[5]提到，可以使用df.isnull().sum()来得到每列的缺失值数量。用户可能需要注意是否需要处理空字符串的情况，但根据引用[3]，有时候数据中的空字符串可能不会被识别为NaN，这时候可能需要先替换成NaN再进行统计，但用户的问题明确提到是统计NaN，所以可能不需要这一步。
然后，我需要考虑用户可能的代码示例是否正确。根据引用[4]中的示例，确实使用了df.isnull().sum()，这应该就是正确的方法。因此，正确的步骤应该是导入pandas，读取数据，然后调用df.isnull().sum()或者df.isna().sum()。
另外，用户提供的引用中，引用[2]提到numpy的sum()默认计算总和，而Pandas的sum()可能有所不同，但在这里，由于isnull()返回的是DataFrame，sum()会按列求和，所以应该没问题。
最后，我需要确保回答的结构清晰，分步骤说明，并且给出代码示例。可能还需要提到如何处理非NaN的空值，比如空字符串，但根据用户的问题，可能不需要深入，但可以作为一个注意事项提一下，引用[3]中的情况。这样用户如果有其他情况也能得到帮助。</think>### 分步解答：使用Pandas统计每列空值（NaN）数量
#### 步骤1：导入Pandas库
```python
import pandas as pd
```
#### 步骤2：创建或加载数据
假设有以下示例数据：
```python
data = {
'name': ['lili', 'lucy', 'pegga', 'alin', None],
'age': [18, 16, None, 23, None],
'salary': [None, 300, None, 1000, 800]
}
df = pd.DataFrame(data)
```
#### 步骤3：使用`isnull()`或`isna()`标识空值
这两个方法会将数据中的`NaN`或`None`标记为`True`，其他值为`False`[^4]。
```python
nan_mask = df.isnull() # 或者 df.isna()
```
#### 步骤4：按列求和统计空值
对布尔值矩阵按列求和（`True=1`，`False=0`），得到每列空值数量：
```python
nan_counts = df.isnull().sum()
print(nan_counts)
```
输出结果：
```
name 1
age 2
salary 2
dtype: int64
```
---
### 完整代码示例
```python
import pandas as pd
# 创建数据
data = {
'name': ['lili', 'lucy', 'pegga', 'alin', None],
'age': [18, 16, None, 23, None],
'salary': [None, 300, None, 1000, 800]
}
df = pd.DataFrame(data)
# 统计每列空值数量
nan_counts = df.isnull().sum()
print("每列空值数量：\n", nan_counts)
```
---
### 注意事项
1. **空字符串与NaN的区别**
若数据中存在空字符串`""`，`isnull()`不会识别为NaN，需先替换：
```python
df = df.replace("", pd.NA) # 将空字符串转为NaN再统计[^3]
```
2. **按行统计空值**
使用`axis=1`参数：
```python
row_nan_counts = df.isnull().sum(axis=1)
```
---
扫一扫
1307
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
