devbox
在线问答5
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Python酷库之旅-第三方库Pandas(023)

作者：在线问答5 | 2024-07-15 22:27:55

赞

踩

Python酷库之旅-第三方库Pandas(023)

目录

一、用法精讲

58、pandas.isnull函数

58-1、语法

58-2、参数

58-3、功能

58-4、返回值

58-5、说明

58-6、用法

58-6-1、数据准备

58-6-2、代码示例

58-6-3、结果输出

59、pandas.notna函数

59-1、语法

59-2、参数

59-3、功能

59-4、返回值

59-5、说明

59-6、用法

59-6-1、数据准备

59-6-2、代码示例

59-6-3、结果输出 

60、pandas.notnull函数

60-1、语法

60-2、参数

60-3、功能

60-4、返回值

60-5、说明

60-6、用法

60-6-1、数据准备

60-6-2、代码示例

60-6-3、结果输出

二、推荐阅读

1、Python筑基之旅

2、Python函数之旅

3、Python算法之旅

4、Python魔法之旅

5、博客个人主页

一、用法精讲

58、pandas.isnull函数
58-1、语法
  1. # 58、pandas.isnull函数
  2. pandas.isnull(obj)
  3. Detect missing values for an array-like object.
  4.  
  5. This function takes a scalar or array-like object and indicates whether values are missing (NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).
  6.  
  7. Parameters:
  8. obj
  9. scalar or array-like
  10. Object to check for null or missing values.
  11.  
  12. Returns:
  13. bool or array-like of bool
  14. For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is missing.
58-2、参数

58-2-1、data(必须)：单个对象，类型可以是以下之一：

58-2-1-1、DataFrame：数据框

58-2-1-2、Series：序列

58-2-1-3、Index：索引

58-2-1-4、标量值(如整数、浮点数、字符串等)

58-3、功能

        用于检测给定对象中是否存在缺失值。

58-4、返回值

        返回一个与输入对象形状相同的布尔类型对象，表示对应位置是否为缺失值(NaN、None 等)。具体形式如下：

58-4-1、如果输入为DataFrame：返回一个DataFrame，其中每个元素为布尔值，表示相应位置是否为缺失值。

58-4-2、如果输入为Series：返回一个Series，其中每个元素为布尔值，表示相应位置是否为缺失值。

58-4-3、如果输入为Index：返回一个Index，其中每个元素为布尔值，表示相应位置是否为缺失值。

58-4-4、如果输入为标量值：返回一个布尔值，表示该值是否为缺失值。

58-5、说明

        该函数在数据预处理和清洗过程中非常有用，可以帮助快速定位缺失数据。

58-6、用法
58-6-1、数据准备
无
58-6-2、代码示例
  1. # 58、pandas.isnull函数
  2. # 58-1、对DataFrame检测
  3. import pandas as pd
  4. import numpy as np
  5. df = pd.DataFrame({
  6.     'A': [1, 2, np.nan],
  7.     'B': [np.nan, 2, 3],
  8.     'C': [1, np.nan, 3]
  9. })
  10. print(pd.isnull(df), end='\n\n')
  11.  
  12. # 58-2、对Series检测
  13. import pandas as pd
  14. import numpy as np
  15. df = pd.DataFrame({
  16.     'A': [1, 2, np.nan],
  17.     'B': [np.nan, 2, 3],
  18.     'C': [1, np.nan, 3]
  19. })
  20. s = pd.Series([1, np.nan, 3])
  21. print(pd.isnull(s), end='\n\n')
  22.  
  23. # 58-3、对标量值检测
  24. import pandas as pd
  25. import numpy as np
  26. df = pd.DataFrame({
  27.     'A': [1, 2, np.nan],
  28.     'B': [np.nan, 2, 3],
  29.     'C': [1, np.nan, 3]
  30. })
  31. print(pd.isnull(np.nan))
  32. print(pd.isnull(3))
58-6-3、结果输出
  1. # 58、pandas.isnull函数
  2. # 58-1、对DataFrame检测
  3. #        A      B      C
  4. # 0  False   True  False
  5. # 1  False  False   True
  6. # 2   True  False  False
  7.  
  8. # 58-2、对Series检测
  9. # 0    False
  10. # 1     True
  11. # 2    False
  12. # dtype: bool
  13.  
  14. # 58-3、对标量值检测
  15. # True
  16. # False
59、pandas.notna函数
59-1、语法
  1. # 59、pandas.notna函数
  2. pandas.notna(obj)
  3. Detect non-missing values for an array-like object.
  4.  
  5. This function takes a scalar or array-like object and indicates whether values are valid (not missing, which is NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).
  6.  
  7. Parameters:
  8. obj
  9. array-like or object value
  10. Object to check for not null or non-missing values.
  11.  
  12. Returns:
  13. bool or array-like of bool
  14. For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is valid.
59-2、参数

59-2-1、data(必须)：单个对象，类型可以是以下之一：

59-2-1-1、DataFrame：数据框

59-2-1-2、Series：序列

59-2-1-3、Index：索引

59-2-1-4、标量值(如整数、浮点数、字符串等)

59-3、功能

        用于检测给定对象中是否存在非缺失值，它与pandas.isnull(obj)函数相反。

59-4、返回值

      返回一个与输入对象形状相同的布尔类型对象，表示对应位置是否为非缺失值，具体形式如下：

59-4-1、如果输入为DataFrame：返回一个DataFrame，其中每个元素为布尔值，表示相应位置是否为非缺失值。

59-4-2、如果输入为Series：返回一个Series，其中每个元素为布尔值，表示相应位置是否为非缺失值。

59-4-3、如果输入为Index：返回一个Index，其中每个元素为布尔值，表示相应位置是否为非缺失值。

59-4-4、如果输入为标量值：返回一个布尔值，表示该值是否为非缺失值。

59-5、说明

      该函数在数据预处理和清洗过程中非常有用，可以帮助快速定位非缺失数据。  

59-6、用法
59-6-1、数据准备
无
59-6-2、代码示例
  1. # 59、pandas.notna函数
  2. # 59-1、对DataFrame检测
  3. import pandas as pd
  4. import numpy as np
  5. df = pd.DataFrame({
  6.     'A': [1, 2, np.nan],
  7.     'B': [np.nan, 2, 3],
  8.     'C': [1, np.nan, 3]
  9. })
  10. print(pd.notna(df), end='\n\n')
  11.  
  12. # 59-2、对Series检测
  13. import pandas as pd
  14. import numpy as np
  15. df = pd.DataFrame({
  16.     'A': [1, 2, np.nan],
  17.     'B': [np.nan, 2, 3],
  18.     'C': [1, np.nan, 3]
  19. })
  20. s = pd.Series([1, np.nan, 3])
  21. print(pd.notna(s), end='\n\n')
  22.  
  23. # 59-3、对标量值检测
  24. import pandas as pd
  25. import numpy as np
  26. df = pd.DataFrame({
  27.     'A': [1, 2, np.nan],
  28.     'B': [np.nan, 2, 3],
  29.     'C': [1, np.nan, 3]
  30. })
  31. print(pd.notna(np.nan))
  32. print(pd.notna(3))
59-6-3、结果输出 
  1. # 59、pandas.notna函数
  2. # 59-1、对DataFrame检测
  3. #        A      B      C
  4. # 0   True  False   True
  5. # 1   True   True  False
  6. # 2  False   True   True
  7.  
  8. # 59-2、对Series检测
  9. # 0     True
  10. # 1    False
  11. # 2     True
  12. # dtype: bool
  13.  
  14. # 59-3、对标量值检测
  15. # False
  16. # True
60、pandas.notnull函数
60-1、语法
  1. # 60、pandas.notnull函数
  2. pandas.notnull(obj)
  3. Detect non-missing values for an array-like object.
  4.  
  5. This function takes a scalar or array-like object and indicates whether values are valid (not missing, which is NaN in numeric arrays, None or NaN in object arrays, NaT in datetimelike).
  6.  
  7. Parameters:
  8. obj
  9. array-like or object value
  10. Object to check for not null or non-missing values.
  11.  
  12. Returns:
  13. bool or array-like of bool
  14. For scalar input, returns a scalar boolean. For array input, returns an array of boolean indicating whether each corresponding element is valid.
60-2、参数

60-2-1、data(必须)：单个对象，类型可以是以下之一：

60-2-1-1、DataFrame：数据框

60-2-1-2、Series：序列

60-2-1-3、Index：索引

60-2-1-4、标量值(如整数、浮点数、字符串等)

60-3、功能

        用于检测给定对象中是否存在非缺失值，它与pandas.notna(obj)函数功能相同。

60-4、返回值

      返回一个与输入对象形状相同的布尔类型对象，表示对应位置是否为非缺失值，具体形式如下：

60-4-1、如果输入为DataFrame：返回一个DataFrame，其中每个元素为布尔值，表示相应位置是否为非缺失值。

60-4-2、如果输入为Series：返回一个Series，其中每个元素为布尔值，表示相应位置是否为非缺失值。

60-4-3、如果输入为Index：返回一个Index，其中每个元素为布尔值，表示相应位置是否为非缺失值。

60-4-4、如果输入为标量值：返回一个布尔值，表示该值是否为非缺失值。

60-5、说明

        该函数在数据预处理和清洗过程中非常有用，可以帮助快速定位非缺失数据。

60-6、用法
60-6-1、数据准备
无
60-6-2、代码示例
  1. # 60、pandas.notnull函数
  2. # 60-1、对DataFrame检测
  3. import pandas as pd
  4. import numpy as np
  5. df = pd.DataFrame({
  6.     'A': [1, 2, np.nan],
  7.     'B': [np.nan, 2, 3],
  8.     'C': [1, np.nan, 3]
  9. })
  10. print(pd.notnull(df), end='\n\n')
  11.  
  12. # 60-2、对Series检测
  13. import pandas as pd
  14. import numpy as np
  15. df = pd.DataFrame({
  16.     'A': [1, 2, np.nan],
  17.     'B': [np.nan, 2, 3],
  18.     'C': [1, np.nan, 3]
  19. })
  20. s = pd.Series([1, np.nan, 3])
  21. print(pd.notnull(s), end='\n\n')
  22.  
  23. # 60-3、对标量值检测
  24. import pandas as pd
  25. import numpy as np
  26. df = pd.DataFrame({
  27.     'A': [1, 2, np.nan],
  28.     'B': [np.nan, 2, 3],
  29.     'C': [1, np.nan, 3]
  30. })
  31. print(pd.notnull(np.nan))
  32. print(pd.notnull(3))
60-6-3、结果输出
  1. # 60、pandas.notnull函数
  2. # 60-1、对DataFrame检测
  3. #        A      B      C
  4. # 0   True  False   True
  5. # 1   True   True  False
  6. # 2  False   True   True
  7.  
  8. # 60-2、对Series检测
  9. # 0     True
  10. # 1    False
  11. # 2     True
  12. # dtype: bool
  13.  
  14. # 60-3、对标量值检测
  15. # False
  16. # True

二、推荐阅读

1、Python筑基之旅
2、Python函数之旅
3、Python算法之旅
4、Python魔法之旅
5、博客个人主页
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/在线问答5/article/detail/831199
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号