Python 缺失值填充

在Python中，缺失值填充可以使用pandas库中的fillna()函数来实现。fillna()函数可以用指定的值或方法填充缺失值。以下是fillna()函数的常用参数：

- value：用于填充缺失值的标量值、字典、Series或DataFrame。
- method：用于填充缺失值的方法，例如ffill、bfill等。
- axis：指定填充方向，0表示按列填充，1表示按行填充。
- inplace：是否在原始数据上进行修改。
- limit：在前向或后向填充时，指定连续填充的最大数量。
- downcast：指定数据类型以减少内存使用。

以下是一个使用fillna()函数填充缺失值的例子：

import pandas as pd
import numpy as np

# 创建一个包含缺失值的DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan, 4],
                   'B': [5, np.nan, 7, 8],
                   'C': [9, 10, 11, np.nan]})

# 使用0填充缺失值
df.fillna(0, inplace=True)

# 输出填充后的DataFrame
print(df)

输出结果为：

     A    B     C
0  1.0  5.0   9.0
1  2.0  0.0  10.0
2  0.0  7.0  11.0
3  4.0  8.0   0.0

相关问题

python缺失值填充

以下是两种Python缺失值填充的方法：

1. 用固定值填充缺失值

data['分数'] = data['分数'].fillna('-1') # 将缺失值填充为-1

2. 用均值填充缺失值

data['分数'].fillna(data['分数'].mean(), inplace=True) # 将缺失值填充为分数列的均值

python缺失值填充代码

缺失值填充是数据预处理的重要步骤之一，可以使用Python中的pandas库来处理缺失值。以下是一些填充缺失值的代码示例：

1. 用平均值填充

import pandas as pd
import numpy as np

# 创建一个包含缺失值的dataframe
df = pd.DataFrame({'A':[1,2,np.nan,4,5],'B':[6,np.nan,8,np.nan,10]})
print(df)

# 用平均值填充缺失值
df.fillna(df.mean(), inplace=True)
print(df)

输出：

     A     B
0  1.0   6.0
1  2.0   NaN
2  NaN   8.0
3  4.0   NaN
4  5.0  10.0

          A     B
0  1.000000   6.0
1  2.000000   8.0
2  3.333333   8.0
3  4.000000   8.0
4  5.000000  10.0

2. 用中位数填充

import pandas as pd
import numpy as np

# 创建一个包含缺失值的dataframe
df = pd.DataFrame({'A':[1,2,np.nan,4,5],'B':[6,np.nan,8,np.nan,10]})
print(df)

# 用中位数填充缺失值
df.fillna(df.median(), inplace=True)
print(df)

输出：

     A     B
0  1.0   6.0
1  2.0   NaN
2  NaN   8.0
3  4.0   NaN
4  5.0  10.0

     A     B
0  1.0   6.0
1  2.0   8.0
2  3.0   8.0
3  4.0   8.0
4  5.0  10.0

3. 用众数填充

import pandas as pd
import numpy as np

# 创建一个包含缺失值的dataframe
df = pd.DataFrame({'A':[1,2,np.nan,4,5],'B':[6,np.nan,8,np.nan,10],'C':['a','b',np.nan,np.nan,'c']})
print(df)

# 用众数填充缺失值
df.fillna(df.mode().iloc[0], inplace=True)
print(df)

输出：

     A     B    C
0  1.0   6.0    a
1  2.0   NaN    b
2  NaN   8.0  NaN
3  4.0   NaN  NaN
4  5.0  10.0    c

     A     B  C
0  1.0   6.0  a
1  2.0   6.0  b
2  1.0   8.0  a
3  4.0   6.0  a
4  5.0  10.0  c

以上是一些常用的缺失值填充方法，根据不同的数据和需求，可以选择不同的填充方法。