千万别让缺失值影响你的数据分析结果！一文告诉你如何用 Pandas 库快速处理数据中的缺失值_isnull()判断缺失值

目录

一、isnull缺失值判断

二、notnull缺失值判断

三、dropnull删除缺失值

四、fillna填充缺失值

---

嗨，各位小伙伴们！马上就是一年一度的端午节了，布丁_码上成功先在这里祝愿大家端午安康呀！你们有没有吃香香的粽子呢？在享受美食的同时，我们也不能忘记实际工作中可能遇到的问题——缺失值。因为一个小小的漏写，很可能影响整个数据分析的准确性，甚至导致公司财务出现问题。所以，今天小编来给大家介绍几个Python库Pandas中处理缺失值的方法。

一、isnull缺失值判断

第一个方法是isnull缺失值判断，它的名字就像一只能翻转拍子的熊孩子，总是给人意外惊喜。这个函数可以判断表格中是否有缺失值，并返回布尔类型的结果。比如说，我们有一张名单表格，其中“性别”、“年龄”两列有些细心的同事没填写，就会以NAN来表示。我们可以用isnull函数来查找这些缺失值：

import pandas as pd
 
df = pd.read_excel('名单.xlsx')
 
check = df.isnull()
 
print(check)

运行后，我们会得到一张新表格，其中包含着原表格中所有的数据，但把缺失的地方都标记为了True：

二、notnull缺失值判断

接下来，我们可以用第二个方法notnull缺失值判断，来找出数据表中不为空的值。与isnull相反，这个函数只会返回那些不为空的地方，并把它们标记为True。同样还是以名单表格为例：

import pandas as pd
 
df = pd.read_excel('名单.xlsx')
 
check = df.notnull()
 
print(check)

运行后，我们会得到一个新表格，其中“性别”、“年龄”两列的非空处都被标记为True：

如果我们只想查找某一列具体的缺失值，可以这样写：

import pandas as pd
 
df = pd.read_excel('名单.xlsx')
 
age_check = df['年龄'].isnull()
 
print(age_check)

然后我们就可以得到只关注“年龄”一列的缺失值信息：

三、dropnull删除缺失值

第三个方法dropnull删除缺失值，则是直接把含有缺失值的行或者列进行过滤，使得剩下的数据表格规整完整。比如说，我们对名单表格进行处理，去掉所有含有缺失值的行：

import pandas as pd
 
df = pd.read_excel('名单.xlsx')
 
new_df = df.dropna()
 
print(new_df)

运行后，我们会发现新的数据表格中已经没有任何缺失值了：

如果我们希望只要某一列有缺失值就删除整行，可以这样写：

import pandas as pd
 
df = pd.read_excel('名单.xlsx')
 
new_df = df.dropna(subset=['年龄'])
 
print(new_df)

这时，我们会发现只剩下“王五”这个同事被删掉了，因为他的年龄是空的：

四、fillna填充缺失值

最后一个方法fillna填充缺失值，顾名思义，就是用某些规则把空值填满。比如说，我们有一个简单的数据表格，记录了一周吃早餐的数量：

我们可以把第一行中最后一个星期五的空值填为0：

import pandas as pd
 
df = pd.read_excel('早餐.xlsx')
 
filled = df.fillna(0)
 
print(filled)

得到新的表格，可以看到，这个缺失值终于不再孤独：

这只是fillna这个函数的一种简单用法。它还可以根据前面的数据进行填充，或者按照列进行填充，以满足不同的实际需求。

好啦，今天大家学习了Pandas库中四个处理缺失值的方法：isnull、notnull、dropnull、fillna。相信你们已经掌握了这些方法的使用，以后遇到缺失值问题就再也不用心慌了！