python检测数据集存在缺失值的属性以及相应的缺失个数和缺失率

在Python中，可以使用pandas库来检测数据集中存在的缺失值。pandas提供了`isnull()`和`notnull()`方法来检测数据集中每个元素是否为缺失值（NaN）。此外，pandas的`info()`方法可以用来获取数据集中每个特征（列）的非空值计数和缺失值计数。若要计算每个特征的缺失率，可以使用`isnull().sum()`来获取每个特征的缺失值个数，然后除以该特征的总个数。

以下是一个使用pandas检测数据集缺失值属性及相应缺失个数和缺失率的示例代码：

import pandas as pd

# 假设df是已经加载的pandas DataFrame数据集
# 首先使用isnull()方法检测缺失值，然后用sum()方法计算每个特征的缺失值个数
missing_values_count = df.isnull().sum()

# 计算总行数
total_records = df.shape[0]

# 计算每个特征的缺失率，并将结果转换为百分比格式
missing_values_percentage = (missing_values_count / total_records) * 100

# 将缺失值个数和缺失率组合成一个新的DataFrame，方便查看
missing_values_summary = pd.DataFrame({
    '缺失个数': missing_values_count,
    '缺失率 (%)': missing_values_percentage
})

# 打印结果
print(missing_values_summary)

运行上述代码后，你将得到每个特征的缺失值个数和对应的缺失率。如果某个特征的缺失率非常高，可能需要特别注意，因为这可能会影响数据分析和模型训练的结果。