Pandas缺失值2种处理方式代码实例

处理方式：

存在缺失值nan,并且是np.nan:

删除存在缺失值的:dropna(axis='rows')

替换缺失值:fillna(df[].mean(), inplace=True)

不是缺失值nan，有默认标记的

1、存在缺失值nan,并且是np.nan

# 判断数据是否为NaN
# pd.isnull(df),pd.notnull(df),pd.isna(df)

# 读取数据
movie = pd.read_csv("./date/IMDB-Movie-Data.csv")

##第一种 删除
# pandas删除缺失值，使用dropna的前提是，缺失值的类型必须是np.nan
# 删除缺失值为np.nan的所在行
movie.dropna()


# 第二种 替换缺失值
# 替换存在缺失值的样本
# 替换 填充平均值
movie['Metascore'].fillna(movie['Metascore'].mean(), inplace=True)
# 替换 填充自定义值
movie['Metascore'].fillna(11, inplace=True)

2、不是缺失值nan，有默认标记的

1、先替换默认标记值为np.nan

df.replace(to_replace=, value=)

2、在进行缺失值的处理

# 把一些其它值标记的缺失值，替换成np.nan mm = moive.replace(to_replace='默认值', value=np.nan)

到此这篇关于Pandas缺失值2种处理方式代码实例就介绍到这了。勇者，必以决斗之勇气与五张试卷一决雌雄；懦夫，概以鼠目之寸光量人生此战必输无疑！更多相关Pandas缺失值2种处理方式代码实例内容请查看相关栏目，小编编辑不易，再次感谢大家的支持！