这篇文章主要介绍了pandas || df.dropna() 缺失值删除操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
df.dropna()函数用于删除dataframe数据中的缺失数据，即 删除NaN数据.
官方函数说明：
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False) Remove missing values. See the User Guide for more on which values are considered missing, and how to work with missing data. Returns DataFrame DataFrame with NA entries dropped from it.
参数说明：
| Parameters | 说明 |
|---|---|
| axis | 0为行 1为列，default 0，数据删除维度 |
| how | {‘any’, ‘all’}, default ‘any’，any：删除带有nan的行；all：删除全为nan的行 |
| thresh | int，保留至少 int 个非nan行 |
| subset | list，在特定列缺失值处理 |
| inplace | bool，是否修改源文件 |
测试：
>>>df = pd.DataFrame({"name": ['Alfred', 'Batman', 'Catwoman'], "toy": [np.nan, 'Batmobile', 'Bullwhip'], "born": [pd.NaT, pd.Timestamp("1940-04-25"), pd.NaT]})
>>>df name toy born 0 Alfred NaN NaT 1 Batman Batmobile 1940-04-25 2 Catwoman Bullwhip NaT
删除至少缺少一个元素的行：
>>>df.dropna() name toy born 1 Batman Batmobile 1940-04-25
删除至少缺少一个元素的列：
>>>df.dropna(axis=1) name 0 Alfred 1 Batman 2 Catwoman
删除所有元素丢失的行：
>>>df.dropna(how='all') name toy born 0 Alfred NaN NaT 1 Batman Batmobile 1940-04-25 2 Catwoman Bullwhip NaT
只保留至少2个非NA值的行：
>>>df.dropna(thresh=2) name toy born 1 Batman Batmobile 1940-04-25 2 Catwoman Bullwhip NaT
从特定列中查找缺少的值：
>>>df.dropna(subset=['name', 'born']) name toy born 1 Batman Batmobile 1940-04-25
修改原数据：
>>>df.dropna(inplace=True) >>>df name toy born 1 Batman Batmobile 1940-04-25
以上。
补充：Pandas 之Dropna滤除缺失数据
约定：
import pandas as pd import numpy as np from numpy import nan as NaN
滤除缺失数据
pandas的设计目标之一就是使得处理缺失数据的任务更加轻松些。pandas使用NaN作为缺失数据的标记。
使用dropna使得滤除缺失数据更加得心应手。
一、处理Series对象
通过**dropna()**滤除缺失数据：
se1=pd.Series([4,NaN,8,NaN,5]) print(se1) se1.dropna()
代码结果：
0 4.0 1 NaN 2 8.0 3 NaN 4 5.0 dtype: float64 0 4.0 2 8.0 4 5.0 dtype: float64
通过布尔序列也能滤除：
se1[se1.notnull()]
代码结果：
0 4.0 2 8.0 4 5.0 dtype: float64
二、处理DataFrame对象
处理DataFrame对象比较复杂，因为你可能需要丢弃所有的NaN或部分NaN。
df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]]) df1
代码结果：
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 |
| 1 | NaN | NaN | 2.0 |
| 2 | NaN | NaN | NaN |
| 3 | 8.0 | 8.0 | NaN |
默认滤除所有包含NaN：
df1.dropna()
代码结果：
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 |
传入**how=‘all’**滤除全为NaN的行：
df1.dropna(how='all')
代码结果：
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 |
| 1 | NaN | NaN | 2.0 |
| 3 | 8.0 | 8.0 | NaN |
传入axis=1滤除列：
df1[3]=NaN df1
代码结果：
| 0 | 1 | 2 | 3 | |
|---|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 | NaN |
| 1 | NaN | NaN | 2.0 | NaN |
| 2 | NaN | NaN | NaN | NaN |
| 3 | 8.0 | 8.0 | NaN | NaN |
df1.dropna(axis=1,how="all")
代码结果：
| 0 | 1 | 2 | |
|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 |
| 1 | NaN | NaN | 2.0 |
| 2 | NaN | NaN | NaN |
| 3 | 8.0 | 8.0 | NaN |
传入thresh=n保留至少有n个非NaN数据的行：
df1.dropna(thresh=1)
代码结果：
| 0 | 1 | 2 | 3 | |
|---|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 | NaN |
| 1 | NaN | NaN | 2.0 | NaN |
| 3 | 8.0 | 8.0 | NaN | NaN |
df1.dropna(thresh=3)
代码结果：
| 0 | 1 | 2 | 3 | |
|---|---|---|---|---|
| 0 | 1.0 | 2.0 | 3.0 | NaN |
以上就是pandas || df.dropna() 缺失值删除操作的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：pandas || df.dropna() 缺失值删除操作
转载请注明原文链接：pandas || df.dropna() 缺失值删除操作
