Python |熊猫数据帧。dropna（）-yiteyi-C++库

Python是进行数据分析的优秀语言，主要是因为以数据为中心的Python软件包的奇妙生态系统。Pandas就是其中之一，它使导入和分析数据变得更加容易。

null

有时csv文件有空值，这些值后来在数据框中显示为NaN。熊猫 dropna（） 方法允许用户以不同的方式分析和删除具有空值的行/列。

语法：

DataFrameName.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

参数：

轴线： axis对行/列采用int或string值。整数的输入可以是0或1，字符串的输入可以是“index”或“columns”。 怎样： how只接受两种类型的字符串值（“any”或“all”）。’如果任何值为Null，“any”将删除行/列，“all”仅在所有值为Null时删除。 脱粒： thresh取整数值，该整数值指示要删除的na值的最小数量。 子集： 它是一个数组，将删除过程限制为通过列表传递的行/列。 就地： 它是一个布尔值，如果为真，它会对数据帧本身进行更改。

有关代码中使用的CSV文件的链接，请单击在这里

示例#1： 正在删除至少有1个空值的行。

读取数据帧，并删除所有具有空值的行。比较新旧数据帧的大小，看有多少行至少有一个空值。

                       # importing pandas module                     
                       import                                  pandas as pd                     
                                
                       # making data frame from csv file                     
                       data                                  =                                  pd.read_csv(                                  "nba.csv"                                  )                     
                                
                       # making new data frame with dropped NA values                     
                       new_data                                  =                                  data.dropna(axis                                  =                                  0                                  , how                                  =                                  'any'                                  )                     
                                
                       # comparing sizes of data frames                     
                       print                                  (                                  "Old data frame length:"                                  ,                                  len                                  (data),                                  "New data frame length:"                                  ,                     
                                             len                                  (new_data),                                  "Number of rows with at least 1 NA value: "                                  ,                     
                                             (                                  len                                  (data)                                  -                                  len                                  (new_data)))                     

输出：

Old data frame length:  458 
New data frame length:  364 
Number of rows with at least 1 NA value:  94

因为差异是94，所以有94行在任何列中至少有一个空值。

示例2： 更改轴以及使用方式和就地参数

制作了两个数据帧。将向新数据框中添加一个所有值均为none的列。验证列名以查看空列是否正确插入。然后比较删除NaN值前后的列数。

                     # importing pandas module                   
                     import                               pandas as pd                   
                             
                     # making data frame from csv file                   
                     data                               =                               pd.read_csv(                               "nba.csv"                               )                   
                             
                     # making a copy of old data frame                   
                     new                               =                               pd.read_csv(                               "nba.csv"                               )                   
                             
                     # creating a value with all null values in new data frame                   
                     new[                               "Null Column"                               ]                               =                               None                   
                             
                     # checking if column is inserted properly                   
                     print                               (data.columns.values,                               ""                               , new.columns.values)                   
                             
                     # comparing values before dropping null column                   
                     print                               (                               "Column number before dropping Null column"                               ,                   
                                         len                               (data.dtypes),                               len                               (new.dtypes))                   
                             
                     # dropping column with all null values                   
                     new.dropna(axis                               =                               1                               , how                               =                               'all'                               , inplace                               =                               True                               )                   
                             
                     # comparing values after dropping null column                   
                     print                               (                               "Column number after dropping Null column"                               ,                   
                                         len                               (data.dtypes),                               len                               (new.dtypes))                   

输出：

['Name' 'Team' 'Number' 'Position' 'Age' 'Height' 'Weight' 'College'
 'Salary'] 
 ['Name' 'Team' 'Number' 'Position' 'Age' 'Height' 'Weight' 'College'
 'Salary' 'Null Column']

Column number before dropping Null column
 9 10

Column number after dropping Null column
 9 9

文章版权归作者所有，未经允许请勿转载。

THE END

Python