dataframe 判断NAN数据

在Pandas DataFrame中，判断缺失值（NAN，代表Not a Number）是一项常见的任务。Pandas提供了多种方法来检测和处理缺失数据。以下是一些常用的方法：

1. **isnull() 和 notnull()**：这两个方法返回DataFrame中的每个元素是否为NaN。`isnull()`返回布尔值的DataFrame，而`notnull()`则是其相反。

# 示例
df.isnull()
df.notnull()

2. **sum() 或 count()**：这些方法计算每列非空值的数量，非空值包括非NaN值。如果结果中有列数值为0，说明该列存在NaN。

# 示例
df.isnull().sum()  # 计算每列缺失值数量

3. **dropna() 和 fillna()**：`dropna()`用于删除含有缺失值的行或列，而`fillna()`则用来填充缺失值，可以使用特定的值、前一个值、后一个值或模式填充。

# 删除含有任何缺失值的行
df.dropna()

# 使用0填充所有缺失值
df.fillna(0)

4. **isnan() 和 isinf()**：这两个函数分别检查值是否为NaN或无穷大（Infinity）。

# 示例
df.isnan()  # 返回布尔值DataFrame，显示哪些元素是NaN
df.isinf()  # 显示哪些元素是无穷大

相关问题：
1. 如何只查看含有缺失值的行？
2. 使用哪种方法可以统计每列中缺失值的百分比？
3. 如何在Pandas中同时处理缺失值和异常值？