7.1 處理缺失值
Pandas中使用浮點值NaN（Nat a Number）來標識缺失值。numpy的np.nan，和Python內(nèi)建的None值并不是一回事，但使用二者為DataFrame對象賦值時，都會被pandas視作缺失值。
image.png
7.1.1 過濾缺失值
Series上使用dropna方法，會返回Series中所有非空數(shù)據(jù)及其索引值。處理DataFrame對象時dropna默認會刪除所有包含缺失值的行。以下是處理DataFrame時的常見應(yīng)用情景。
- 刪除的對象只限于行中所有觀測值均缺失的行時，傳入 how='all' 。
data.dropna(how='all')
- 針對列進行過濾時，轉(zhuǎn)入?yún)?shù) axis=1 。
- 如果想保留包含一定數(shù)量觀測值的行，使用thresh參數(shù)。下例為，如果一行內(nèi)有兩個以上的觀測值，則保留此行。
data.dropna(thresh=2)
- 如果想用DataFrame某列中的缺失值來過濾行的話，使用subset參數(shù)（參數(shù)值為列表類型）。
data.dropna(subset=[0])
7.1.2 補全缺失值
除了過濾，有時需要用fillna方法補全缺失值?？梢允褂贸?shù)，字典作為填充值，或采取插值的方法。
- 填充常數(shù)0
data.fillna(0)
- 第2列填充常數(shù)0, 第3列填充常數(shù)0.5
data.fillna({1:0, 2:0.5})
-
自動插入前一列的值（向前填充），并且最多填充2行
data.fillna(method='ffill', limit=2)
- 填充后不返回新對象，修改已存在對象
data.fillna(0，inplace=True)
