jupyter删除行或列、去重、改类型、排序、填充、检测缺失值、删除空值、分组

以下是针对jupyter中数据处理的一些常用操作：
1. 删除行或列

# 删除行
df.drop(index=[0,1,2], inplace=True)
# 删除列
df.drop(columns=['col1', 'col2'], inplace=True)

2. 去重

# 去除重复行
df.drop_duplicates(inplace=True)

3. 改类型

# 将某列数据类型转换为int
df['col1'] = df['col1'].astype(int)

4. 排序

# 按照某列升序排序
df.sort_values(by='col1', ascending=True, inplace=True)

5. 填充

# 将缺失值填充为0
df.fillna(value=0, inplace=True)

6. 检测缺失值

# 检测每列是否有缺失值
df.isnull().any()

7. 删除空值

# 删除所有含有缺失值的行
df.dropna(inplace=True)

8. 分组

# 按照某列进行分组
grouped = df.groupby('col1')

相关问题

重点【删除行或列、去重、改类型、排序、填充、检测缺失值、删除空值、分组】

以下是对重点操作的介绍和演示：

1. 删除行或列：
使用`dropna()`函数可以删除带有缺失值的行或列。可以通过设置`axis`参数来指定删除行还是列，默认为删除行。可以通过设置`how`参数来指定删除的条件，`any`表示行或列中只要有一个缺失值就清除，`all`表示要整行或整列都是缺失值才清除。示例代码如下：

import pandas as pd
import numpy as np

df = pd.DataFrame([[3,4,5], [1,6,np.nan], ['xxj',np.nan,np.nan],[np.nan,np.nan,np.nan]])
df.dropna(axis=0, how='any', inplace=True) # 删除带有缺失值的行
df.dropna(axis=1, how='all', inplace=True) # 删除整列都是缺失值的列

2. 去重：
使用`drop_duplicates()`函数可以去除DataFrame中的重复行。示例代码如下：

df.drop_duplicates(inplace=True) # 去除重复行

3. 改类型：
使用`astype()`函数可以改变DataFrame中某一列的数据类型。示例代码如下：

df['column_name'] = df['column_name'].astype('new_type') # 将某一列的数据类型改为new_type

4. 排序：
使用`sort_values()`函数可以对DataFrame按照某一列或多列进行排序。示例代码如下：

df.sort_values(by='column_name', ascending=True, inplace=True) # 按照某一列升序排序

5. 填充：
使用`fillna()`函数可以对DataFrame中的缺失值进行填充。示例代码如下：

df.fillna(value='new_value', inplace=True) # 将缺失值填充为new_value

6. 检测缺失值：
使用`isnull()`函数可以检测DataFrame中的缺失值，返回一个布尔型的DataFrame。示例代码如下：

df.isnull() # 检测DataFrame中的缺失值

7. 删除空值：
使用`dropna()`函数可以删除DataFrame中的空值。示例代码如下：

df.dropna(inplace=True) # 删除空值

8. 分组：
使用`groupby()`函数可以对DataFrame进行分组操作。示例代码如下：

df.groupby('column_name') # 按照某一列进行分组

jupyter notebook中 缺失值 空值预处理

以下是在Jupyter Notebook中处理缺失值和空值的方法：

1. 删除缺失值所在的行或列

# 删除所有包含缺失值的行
df.dropna(inplace=True)

# 删除所有包含缺失值的列
df.dropna(axis=1, inplace=True)

2. 填充缺失值

# 用0填充缺失值
df.fillna(0, inplace=True)

# 用平均值填充缺失值
df.fillna(df.mean(), inplace=True)

# 用前一个非缺失值填充缺失值
df.fillna(method='ffill', inplace=True)

# 用后一个非缺失值填充缺失值
df.fillna(method='bfill', inplace=True)

3. 查找缺失值

# 查找所有缺失值
df.isnull()

# 查找某一列的缺失值
df['column_name'].isnull()

4. 查找空值

# 查找所有空值
df.isna()

# 查找某一列的空值
df['column_name'].isna()