import pandas as pd
import numpy as np
from numpy import nan as NaN填充缺失数据
fillna()是最主要的处理方式了。
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 |
用常数填充：
df1.fillna(100)代码结果：
| 0 | 1 | 2 | |
| 0 | 1.0 | 2.0 | 3.0 |
| 1 | 100.0 | 100.0 | 2.0 |
| 2 | 100.0 | 100.0 | 100.0 |
| 3 | 8.0 | 8.0 | 100.0 |
通过字典填充不同的常数：
df1.fillna({
0:10,1:20,2:30})代码结果：
| 0 | 1 | 2 | |
| 0 | 1.0 | 2.0 | 3.0 |
| 1 | 10.0 | 20.0 | 2.0 |
| 2 | 10.0 | 20.0 | 30.0 |
| 3 | 8.0 | 8.0 | 30.0 |
传入inplace=True直接修改原对象：
df1.fillna(0,inplace=True)
df1代码结果：
| 0 | 1 | 2 | |
| 0 | 1.0 | 2.0 | 3.0 |
| 1 | 0.0 | 0.0 | 2.0 |
| 2 | 0.0 | 0.0 | 0.0 |
| 3 | 8.0 | 8.0 | 0.0 |
传入method=” “改变插值方式：
df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3]=NaN;df2.iloc[2:4,4]=NaN
df2代码结果：
| 0 | 1 | 2 | 3 | 4 | |
| 0 | 6 | 6 | 2 | 4.0 | 1.0 |
| 1 | 4 | 7 | 0 | NaN | 5.0 |
| 2 | 6 | 5 | 5 | NaN | NaN |
| 3 | 1 | 9 | 9 | NaN | NaN |
| 4 | 4 | 8 | 1 | 5.0 | 9.0 |
df2.fillna(method='ffill')#用前面的值来填充代码结果：
| 0 | 1 | 2 | 3 | 4 | |
| 0 | 6 | 6 | 2 | 4.0 | 1.0 |
| 1 | 4 | 7 | 0 | 4.0 | 5.0 |
| 2 | 6 | 5 | 5 | 4.0 | 5.0 |
| 3 | 1 | 9 | 9 | 4.0 | 5.0 |
| 4 | 4 | 8 | 1 | 5.0 | 9.0 |
传入limit=” “限制填充个数：
df2.fillna(method='bfill',limit=2)代码结果：
| 0 | 1 | 2 | 3 | 4 | |
| 0 | 6 | 6 | 2 | 4.0 | 1.0 |
| 1 | 4 | 7 | 0 | NaN | 5.0 |
| 2 | 6 | 5 | 5 | 5.0 | 9.0 |
| 3 | 1 | 9 | 9 | 5.0 | 9.0 |
| 4 | 4 | 8 | 1 | 5.0 | 9.0 |
传入axis=” “修改填充方向：
df2.fillna(method="ffill",limit=1,axis=1)代码结果：
| 0 | 1 | 2 | 3 | 4 | |
| 0 | 6.0 | 6.0 | 2.0 | 4.0 | 1.0 |
| 1 | 4.0 | 7.0 | 0.0 | 0.0 | 5.0 |
| 2 | 6.0 | 5.0 | 5.0 | 5.0 | NaN |
| 3 | 1.0 | 9.0 | 9.0 | 9.0 | NaN |
| 4 | 4.0 | 8.0 | 1.0 | 5.0 | 9.0 |
谢谢大家的浏览，
希望我的努力能帮助到您，
共勉！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/hz/134247.html