4 print(df["NUM_BEDROOMS".isnull()]) AttributeError: 'str' object has no attribute 'isnull'

根据提供的引用内容，您想要打印出DataFrame中"NUM_BEDROOMS"列中的空值。然而，您遇到了一个错误，即"'str' object has no attribute 'isnull'"。这个错误是因为您错误地将"isnull()"方法应用于字符串对象上，而不是应用于DataFrame对象上。

要解决这个问题，您需要确保您的df变量是一个DataFrame对象。您可以使用pandas库中的read_csv()函数来读取CSV文件并创建一个DataFrame对象。然后，您可以使用"isnull()"方法来检查DataFrame中的空值。

下面是一个示例代码，演示了如何打印出DataFrame中"NUM_BEDROOMS"列中的空值：

import pandas as pd

# 读取CSV文件并创建DataFrame对象
df = pd.read_csv("Melbourne_housing_extra_data.csv")

# 打印出"NUM_BEDROOMS"列中的空值
print(df["NUM_BEDROOMS"].isnull())

请注意，您需要将"Melbourne_housing_extra_data.csv"替换为您实际的CSV文件路径。

相关问题

import pandas as pd df = pd.read_csv('property-data.csv') print (df['NUM_BEDROOMS']) print (df['NUM_BEDROOMS'].isnull())这段代码什么意思

这段代码的意思是：

1. 首先，使用 `import pandas as pd` 导入 pandas 库。

2. 然后，使用 `pd.read_csv` 函数读取名为 `property-data.csv` 的 CSV 文件，并将其存储在变量 `df` 中。

3. 接下来，使用 `print(df[NUM_BEDROOMS])` 输出 `df` 中名为 `NUM_BEDROOMS` 的列的值。

4. 最后，使用 `print(df[NUM_BEDROOMS].isnull())` 输出 `df` 中名为 `NUM_BEDROOMS` 的列的缺失值情况，如果该值为缺失值，则输出 `True`，否则输出 `False`。

这段代码的作用是读取 CSV 文件，然后输出名为 `NUM_BEDROOMS` 的列的值，并检查该列的缺失值情况。

import pandas as pd data=pd.read_csv('housing.csv') total_bedrooms_mean=data['total_bedrooms'].mean() data['total_bedrooms'].fillna(total_bedrooms_mean,inplace=True) onehot=pd.get_dummies((data[['ocean_proximity']]),prefix='ocean_proximity') data.drop(columns = ['ocean_proximity'],inplace=True) X=pd.concat([data['housing_median_age'],data['total_rooms'],data['total_bedrooms'],data['population'],data['households'],data['median_income'],onehot],axis=1) y=data[["median_house_value"]] from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,random_state=42) from sklearn.linear_model import LinearRegression lin_reg=LinearRegression() lin_reg.fit(X_train,y_train) y_pre=lin_reg.predict(X_test) from sklearn import metrics metrics.accuracy_score(y_test,y_pre)报错import pandas as pd data=pd.read_csv('housing.csv') total_bedrooms_mean=data['total_bedrooms'].mean() data['total_bedrooms'].fillna(total_bedrooms_mean,inplace=True) onehot=pd.get_dummies((data[['ocean_proximity']]),prefix='ocean_proximity') data.drop(columns = ['ocean_proximity'],inplace=True) X=pd.concat([data['housing_median_age'],data['total_rooms'],data['total_bedrooms'],data['population'],data['households'],data['median_income'],onehot],axis=1) y=data[["median_house_value"]] from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2,random_state=42) from sklearn.linear_model import LinearRegression lin_reg=LinearRegression() lin_reg.fit(X_train,y_train) y_pre=lin_reg.predict(X_test) from sklearn import metrics metrics.accuracy_score(y_test,y_pre)

这个代码会报错，因为`metrics.accuracy_score()`是用于分类问题的指标，而这里是回归问题，所以不能使用该指标。

如果你想评估回归模型的性能，可以使用回归指标，如均方误差（mean squared error, MSE）、均方根误差（root mean squared error, RMSE）或平均绝对误差（mean absolute error, MAE）。例如，使用MSE指标可以这样计算：

from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y_test, y_pre)
print(mse)

请注意，当使用不同的指标时，解释和解读结果的方式也会有所不同，因此请根据你的具体问题和数据类型选择适当的指标。