pandas使用fillna函數填充NaN值的代碼實例

89542767 發布于2022-09-27 17:37 / 519人閱讀

　　小編寫這篇文章的主要目的，還是用來給大家講解一些案例，給大家講解一下具體的一些使用法則，包括使用fillna函數填充NaN值，下面給大家做一個比較詳細的解答。

　　1.參數解析

　　1.1inplace參數

　　取值：True、False

　　True：直接修改原對象

　　False：創建一個副本，修改副本，原對象不變（缺省默認）

　　1.2method參數

　　取值：{‘pad’,‘ffill’,‘backfill’,‘bfill’,None},defaultNone

　　pad/ffill：用前一個非缺失值去填充該缺失值

　　backfill/bfill：用下一個非缺失值填充該缺失值

　　None：指定一個值去替換缺失值（缺省默認這種方式）

　　1.3limit參數：

　　限制填充個數

　　1.4axis參數

　　修改填充方向

　　補充

　　isnull和notnull函數用于判斷是否有缺失值數據

　　isnull：缺失值為True，非缺失值為False

　　notnull：缺失值為False，非缺失值為True

　　2.代碼實例

　#導包
　　importpandasaspd
　　importnumpyasnp
　　fromnumpyimportnanasNaN
　　df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])
　　df1

　　代碼結果：

　　012

　　01.02.03.0

　　1NaNNaN2.0

　　2NaNNaNNaN

　　38.08.0NaN

　　2.1常數填充

　　2.1.1用常數填充

　　#1.用常數填充
　　print(df1.fillna(100))
　　print("-----------------------")
　　print(df1)

　　運行結果：

　　012

　　01.02.03.0

　　1100.0100.02.0

　　2100.0100.0100.0

　　38.08.0100.0

　　-----------------------

　　012

　　01.02.03.0

　　1NaNNaN2.0

　　2NaNNaNNaN

　　38.08.0NaN

　　2.1.2用字典填充

　　第key列的NaN用key對應的value值填充

df1.fillna({0:10,1:20,2:30})

　　運行結果：

　　012

　　01.02.03.0

　　110.020.02.0

　　210.020.030.0

　　38.08.030.0

　　2.2使用inplace參數

print(df1.fillna(0,inplace=True))
　　print("-------------------------")
　　print(df1)

　　運行結果：

　　在這里插入代碼片

　　2.3使用method參數

　1.method='ffill'/'pad'：用前一個非缺失值去填充該缺失值
　　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2)
　　print("-------------------------")
　　print(df2.fillna(method='ffill'))

　　運行結果：

　　01234

　　08445.06.0

　　1528NaN7.0

　　2631NaNNaN

　　3549NaNNaN

　　46546.09.0

　　-------------------------

　　01234

　　08445.06.0

　　15285.07.0

　　26315.07.0

　　35495.07.0

　　46546.09.0

　　2.method=‘bflii’/‘backfill’：用下一個非缺失值填充該缺失值

　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2)
　　print("-------------------------")
　　print(df2.fillna(method='bfill'))

　　運行結果：

　　01234

　　01041.03.0

　　1464NaN2.0

　　2492NaNNaN

　　3973NaNNaN

　　46135.05.0

　　-------------------------

　　01234

　　01041.03.0

　　14645.02.0

　　24925.05.0

　　39735.05.0

　　46135.05.0

　　2.4使用limit參數

　　用下一個非缺失值填充該缺失值且每列只填充2個

　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2)
　　print("-------------------------")
　　print(df2.fillna(method='bfill',limit=2))

　　運行結果：

　　01234

　　02044.00.0

　　1799NaN1.0

　　2173NaNNaN

　　3858NaNNaN

　　48624.04.0

　　-------------------------

　　01234

　　02044.00.0

　　1799NaN1.0

　　21734.04.0

　　38584.04.0

　　48624.04.0

　　2.5使用axis參數

axis=0對每列數據進行操作
　　axis=1對每行數據進行操作
　　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2.fillna(method="ffill",limit=1,axis=1))

　　運行結果：

　　01234

　　00.04.09.07.02.0

　　16.05.00.00.03.0

　　28.08.08.08.0NaN

　　35.05.06.06.0NaN

　　47.05.07.04.01.0

　　總結，小編就為大家介紹到這里了，希望可以給讀者帶來幫助。

GPU云服務器云服務器 java求值的代碼 html填充邊框代碼休眠函數實例構造函數實例java

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/127852.html

【數據科學系統學習】Python # 數據分析基本操作[二] pandas

摘要：中面向行和面向列的操作基本是平衡的。用層次化索引，將其表示為更高維度的數據。使用浮點值表示浮點和非浮點數組中的缺失數據。索引的的格式化輸出形式選取數據子集在內層中進行選取層次化索引在數據重塑和基于分組的操作中很重要。我們在上一篇介紹了 NumPy，本篇介紹 pandas。 pandas入門 Pandas 是基于Numpy構建的，讓以NumPy為中心的應用變的更加簡單。 pandas...

jayzou 2019-07-31 11:11 評論0 收藏0
PythonpandasDataFrame基礎運算及空值填充詳解

　　　　小編寫這篇文章的主要目的，是給大家介紹一下關于python中的一些實例，比如，其中，會給大家講到，Python中基礎值的一些運算，以及當我們遇到空的數值的時候，一些處理方法，下面給大家做一個詳細的解答。　　前言　　今天我們一起來聊聊DataFrame中的索引。　　上一篇文章當中我們介紹了DataFrame數據結構當中一些常用的索引的使用方法，比如iloc、loc以及邏輯索引等等。今天的文章...

89542767 2022-09-27 17:04 評論0 收藏0
對pandas進行數據預處理的實例講解

摘要：引入包和加載數據清洗數據查看數據維度以及類型缺失值處理查看數據統計信息數值屬性離散化計算特征與屬性之間關系查看數據維度以及類型查看前五條數據查看每列數據類型以及情況獲得所有屬性查看數據統計信息查看連續數值屬性基本統計情況查看屬性數據統計情況引入包和加載數據 12345import pandas as pdimport numpy as nptrain_df =pd.read_csv(...

psychola 2019-07-31 10:09 評論0 收藏0
Pandas庫基礎分析——數據規整化處理

摘要：前言在數據分析和建模之前需要審查數據是否滿足數據處理應用的要求，以及對數據進行清洗，轉化，合并，重塑等一系列規整化處理。通過數據信息查看可知數據中存在缺失值，比如各存在個，各存在個。前言在數據分析和建模之前需要審查數據是否滿足數據處理應用的要求，以及對數據進行清洗，轉化，合并，重塑等一系列規整化處理。pandas標準庫提供了高級靈活的方法，能夠輕松地將數據規整化為正確的形式，本文通...

roundstones 2019-07-30 16:36 評論0 收藏0
數據科學

摘要：資料分析資料篩選偵測缺失值補齊缺失值資料轉換處理時間格式數據重塑資料學習正規運算式處理資料格式，提供高效能，簡易使用的數據格式讓用戶可以快速操作及分析資料。使用平均數，中位數，眾數等敘述性統計補齊缺失值。有90%的有用數據，都在數據庫中。數據數據類型定性數據：敘述特征或種類，例如：種族，區域。定量數據：可以被計數或測量，例如：身高，消費金額。定量數據離散數據只能...

anquan 2019-07-30 17:52 評論0 收藏0