目錄
- 一：處理缺失值
- 1. 過濾缺失值
- 二：補全缺失值
??關于檔案的讀寫方面先放一下，接下來介紹資料清洗方面的知識，有時候資料對于特定的任務來說格式并不正確，需要轉化為更加適合的資料形式，這里介紹資料清洗的有關基礎知識，本篇博客先介紹如何處理缺失值，
一：處理缺失值
??缺失資料在很多資料分析應用中都出現過，對于數值型資料，pandas使用浮點值NaN來表示缺失值，可以用isnull()對一直陣列逐元素進行操作，回傳布爾型判斷結果，回傳缺失值，而notnull相反，
??在pandas中，用R語言中的編程慣例，將缺失值成為NA(not available)，表示不存在的資料或者是不可觀察的資料，而python內建的None值在物件陣列也被當作NA處理，
??可以用fillna填充缺失的資料，或使用'ffill'和'bfill'插值方法，
1. 過濾缺失值
??用dropna過濾缺失值是非常常見的，它會回傳Series中所有的非空資料及其索引值，和data[data.notnull()]是等價的，如下：
??當處理DataFrame時，會復雜一點，dropna默認情況下會洗掉包含缺失值的行：
??當傳入引數how='all'時，將洗掉所有值均為NA的行：
??想要用同樣的方法洗掉列，傳入引數axis=1即可：
??過濾DataFrame的行的相關方法往往涉及時間序列資料，可以用thresh引數保留包含一定數量的觀察值的行，如下：
二：補全缺失值
??有時候需要用多種方法補全缺失值，而不是過濾缺失值，因為會丟棄其他資料，在大多數情況下，主要用fillna方法來補全缺失，里面可以用一個常數來替代缺失值，如下：
??在呼叫fillna時使用字典，可以為不同列設定不同的填充值，
??fillna回傳的是一個新物件，但也可以修改已經存在的物件，用引數inplace=True即可，
??還可以用method='fill'引數，但是用的少，這里就不說明了，
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/159113.html
標籤：Python
上一篇：再看python