筛选出pd.DataFrame的nan

您可以使用 `pd.DataFrame.isnull()` 或 `pd.isnull()` 函数来筛选出 pd.DataFrame 中的 nan。例如：

import pandas as pd

df = pd.DataFrame([[1, 2, 3], [float('nan'), 5, 6], [7, 8, 9]])

# 使用 pd.DataFrame.isnull() 函数筛选出 nan
nan_rows = df[df.isnull().any(axis=1)]
print(nan_rows)

# 使用 pd.isnull() 函数筛选出 nan
nan_rows = df[pd.isnull(df).any(axis=1)]
print(nan_rows)

输出结果如下：

   0    1  2
1 NaN  5.0  6

相关问题

pd.value_count

### 回答1：
pd.value_counts() 是 Pandas 库中的一个函数，用于计算一维数组中每个不同值出现的频次。它返回一个 Pandas Series，其中索引为数组中的不同值，值为对应的频次。例如，如果有一个包含以下元素的数组：[1, 2, 3, 1, 2, 1, 3, 3, 3]，则 pd.value_counts() 函数将返回一个 Pandas Series，其中索引为 [3, 1, 2]，值为 [4, 3, 2]，表示 3 出现了 4 次，1 出现了 3 次，2 出现了 2 次。

### 回答2：
`pd.value_count` 是 pandas 库中的一个函数，用于计算 DataFrame 或 Series 对象中各个唯一值的频数。具体实现如下：

对于 DataFrame 对象：

import pandas as pd

# 创建一个示例 DataFrame
data = {'A': [1, 2, 3, 4, 5], 'B': [2, 2, 3, 4, 4]}
df = pd.DataFrame(data)

# 统计 DataFrame 中各列的唯一值频数
value_counts = df.apply(pd.value_counts)
print(value_counts)

输出结果：

   A  B
1  1  NaN
2  1  2.0
3  1  1.0
4  1  2.0
5  1  NaN

对于 Series 对象：

import pandas as pd

# 创建一个示例 Series
data = pd.Series([1, 2, 3, 3, 4, 4])

# 统计 Series 中各个唯一值的频数
value_counts = data.value_counts()
print(value_counts)

输出结果：

4    2
3    2
2    1
1    1
dtype: int64

`pd.value_count` 函数非常方便，可以快速计算 DataFrame 或 Series 对象中各个值出现的频数，并以易读的方式呈现。在数据处理和分析中，经常用到这个函数来对数据进行初步的统计和筛选操作。

### 回答3：
pd.value_counts是pandas库中的一个函数，它用于计算某一列或者序列中各个元素出现的次数并返回一个新的Series对象。

使用该函数时，需要先导入pandas库，并且将需要计算次数的列或者序列作为该函数的参数传入。函数执行后，会返回一个新的Series对象，其中包含了各个元素以及它们在原列或者序列中出现的次数。

该函数的使用非常简单，例如：我们有一个DataFrame对象df，其中的一列为"fruit"，我们想计算这一列中各个水果出现的次数，可以使用pd.value_counts(df['fruit'])来实现。

除了计算某一列中元素的出现次数，该函数还可以用于计算序列中各个元素的出现次数。例如，有一个序列s，我们可以使用pd.value_counts(s)来计算它中每个元素的出现次数。

注意，pd.value_counts函数返回的结果会按照元素的出现次数进行降序排序。如果需要按照元素的值进行排序，可以在函数的参数中添加sort=False。

总而言之，pd.value_counts是pandas库中用于计算列或者序列中元素出现次数的函数，它的使用非常简单，在数据分析和处理中非常常用。

import pandas as pd df = pd.ExcelFile(r'F:\Python_file\test_sheet\output3.xlsx') df.sheet_names df_list = [] for sheet in df.sheet_names: print(sheet) read_sheet = pd.read_excel(df, sheet, header=2) rows = range(0, read_sheet.shape[0]) for row in rows: try: col_test = read_sheet.iloc[row, 4] # print(col_test) # exit() if ("25" in col_test) and ('4.2v' in col_test or '4.2V' in col_test): # if '4.15V' in col_test: # continue # if ('60' in col_test or '45' in col_test): # continue df_list.append(read_sheet.iloc[[row], :5]) else: continue except Exception as err: print('col nan') df_list = pd.DataFrame(df_list) df_concat = pd.concat(df_list, axis=0) print(df_concat)

这段代码看起来是用来处理 Excel 文件的。首先，使用 pandas 库中的 ExcelFile 方法读取一个 Excel 文件，然后通过 sheet_names 属性获取所有工作表的名称。接下来，循环遍历每个工作表，使用 read_excel 方法读取数据，并通过 iloc 方法获取指定的行和列。其中，if 语句用于筛选出符合特定条件的行，将这些行添加到 df_list 中。最后，使用 concat 方法将 df_list 中的数据合并成一个 DataFrame，并输出结果。