dataframe中查找nan

要查找 DataFrame 中的 NaN 值，可以使用 isna() 函数来生成一个布尔值的 DataFrame，其中 NaN 值对应 True，非 NaN 值对应 False。例如：
import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, np.nan], 'C': [7, 8, 9]})
print(df.isna())
登录后复制
输出结果为：
A B C
0 False False False
1 False True False
2 True True False
登录后复制
其中，第二行第二列和第三列第二行都是 NaN 值，因此在输出结果中对应的位置是 True。可以看到，isna() 函数返回的结果与 DataFrame 的形状相同，但元素为布尔值。
如果要查找整个 DataFrame 中的 NaN 值总数，可以使用 sum() 函数对 isna() 的结果求和，如下所示：
print(df.isna().sum().sum())
登录后复制
输出结果为：
3
登录后复制
即 DataFrame 中一共有 3 个 NaN 值。

相关问题

dataframe 找nan

如果您的问题是如何在 dataframe 中找到 NaN 值，我可以回答这个问题。您可以使用 pandas 库中的 isna() 方法来查找 NaN 值。例如，如果您的 dataframe 名称为 df，则可以使用以下代码来查找 NaN 值：
df.isna()
这将返回一个布尔值 dataframe，其中 NaN 值为 True，非 NaN 值为 False。您可以使用 sum() 方法来计算每列中的 NaN 值数量：
df.isna().sum()
这将返回一个包含每列 NaN 值数量的 series。

dataframe 定位NaN数据

在Pandas DataFrame中定位NaN（Not a Number）或缺失值的位置，你可以使用以下几种方法：

isnull()函数：这个函数会创建一个新的布尔型DataFrame，其中True表示对应的单元格有缺失值，False则表示数值存在。你可以直接查看这个布尔型DataFrame，或者使用sum()方法统计缺失值的数量：
missing_values = df.isnull()
total_missing = missing_values.sum()
登录后复制

notna()函数：与isnull()相反，它返回非缺失值（即数值存在）的布尔型DataFrame。

利用布尔索引筛选：你可以用df[df.isnull().any(axis=1)]选择含有任何缺失值的行，或者df[df.isnull().all(axis=1)]选择所有列都为NaN的行（对于每一行）。

使用.loc或.iloc：如果想按位置查找NaN，可以结合使用：
nan_rows = df.loc[df.isnull().any(axis=1)]
登录后复制

以上都是定位NaN数据的常用方法，可以根据需要选择适合的方式进行处理。