数据清洗是一项复杂且繁琐的工作，同时也是整个数据分析过程中最为重要的环节。
在python中空值被显示为NaN。首先，我们要构造一个包含NaN的DataFrame对象。
>>> import numpy as np >>> import pandas as pd >>> from pandas import Series,DataFrame >>> from numpy import nan as NaN >>> data = DataFrame([[12,'man','13865626962'],[19,'woman',NaN],[17,NaN,NaN],[NaN,NaN,NaN]],columns=['age','sex','phone']) >>> data age sex phone 0 12.0 man 13865626962 1 19.0 woman NaN 2 17.0 NaN NaN 3 NaN NaN NaN
删除NaN
删除NaN所在的行
删除表中全部为NaN的行
>>> data.dropna(axis=0, how='all') age sex phone 0 12.0 man 13865626962 1 19.0 woman NaN 2 17.0 NaN NaN
删除表中任何含有NaN的行
>>> data.dropna(axis=0, how='any') age sex phone 0 12.0 man 13865626962
删除NaN所在的列
删除表中全部为NaN的列
>>> data.dropna(axis=1, how='all') age sex phone 0 12.0 man 13865626962 1 19.0 woman NaN 2 17.0 NaN NaN 3 NaN NaN NaN
删除表中任何含有NaN的列
>>> data.dropna(axis=1, how='any') Empty DataFrame Columns: [] Index: [0, 1, 2, 3]
注意：axis 就是”轴，数轴“的意思，对应多维数组里的”维“。此处作者的例子是二维数组，所以，axis的值对应表示：0轴（行），1轴（列）。
填充NaN
如果不想过滤（去除）数据，我们可以选择使用fillna()方法填充NaN，这里，作者使用数值'0'替代NaN,来填充DataFrame。
>>> data.fillna(0) age sex phone 0 12.0 man 13865626962 1 19.0 woman 0 2 17.0 0 0 3 0.0 0 0
我们还可以通过字典来填充，以实现对不同的列填充不同的值。
>>> data.fillna({'sex':233,'phone':666})
age sex phone
0 12.0 man 13865626962
1 19.0 woman 666
2 17.0 233 666
3 NaN 233 666
以上这篇数据清洗--DataFrame中的空值处理方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。
