python 去除缺失值

在Python中处理数据集中的缺失值，通常有几种常用的方法：

1. **dropna()**：这个函数可以删除包含缺失值的行或列。例如：

   df = df.dropna()  # 删除所有含有缺失值的行
   df = df.dropna(axis=1)  # 删除所有含有缺失值的列

2. **fillna()**：用于填充缺失值，可以用常数值、前一个非缺失值、平均值、众数等替换。例如：

   df['column_name'] = df['column_name'].fillna(value)  # 使用特定值替换缺失值
   df['column_name'] = df['column_name'].fillna(method='ffill')  # 向前填充
   df['column_name'] = df['column_name'].fillna(method='bfill')  # 向后填充

3. **impute()**（通过sklearn库的Imputer类）：这是一种更高级的数据预处理工具，可以根据指定策略（如均值、中位数或模式）填充缺失值。

   from sklearn.impute import SimpleImputer
   imputer = SimpleImputer(strategy='mean')
   df[['column_name']] = imputer.fit_transform(df[['column_name']])

4. 如果缺失值较少，也可以选择直接忽略这些观测值，但要注意这可能会对数据分析结果造成偏差。