python pandas drop空值

可以使用 pandas 中的 dropna() 方法来删除 DataFrame 中的空值。示例代码如下：

import pandas as pd

# 创建一个包含空值的 DataFrame
df = pd.DataFrame({'A': [1,2, None, 4], 'B': [5, None, 7, 8]})
print(df)

# 删除空值
df = df.dropna()
print(df)

输出结果如下：

     A    B
0  1.0  5.0
1  2.0  NaN
2  NaN  7.0
3  4.0  8.0

     A    B
0  1.0  5.0
3  4.0  8.0

相关问题

python pandas drop nan

在Python的pandas库中，dropna()方法用于丢弃含有空值的行或列。通过调用dropna()方法，可以删除DataFrame中包含NaN值的行或列。

例如，使用numpy和pandas创建一个包含NaN值的DataFrame数据，然后使用dropna()方法删除含有NaN值的行或列。

首先，导入numpy和pandas库，并创建一个包含NaN值的DataFrame数据：

import numpy as np
import pandas as pd

a = np.ones((11, 10))
for i in range(len(a)):
    a[i, :i = np.nan

d = pd.DataFrame(data=a)
print(d)

输出结果如下所示：

     0    1    2    3    4    5    6    7    8    9
0   NaN  1.0  1.0  1.0  1.0  1.0  1.0  1.0  1.0  1.0
1   NaN  NaN  1.0  1.0  1.0  1.0  1.0  1.0  1.0  1.0
2   NaN  NaN  NaN  1.0  1.0  1.0  1.0  1.0  1.0  1.0
3   NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0  1.0  1.0
4   NaN  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0  1.0
5   NaN  NaN  NaN  NaN  NaN  NaN  1.0  1.0  1.0  1.0
6   NaN  NaN  NaN  NaN  NaN  NaN  NaN  1.0  1.0  1.0
7   NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  1.0  1.0
8   NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  1.0
9   NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN
10  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN  NaN

然后，可以使用dropna()方法删除含有NaN值的行或列。默认情况下，dropna()方法删除含有任何NaN值的行。

d.dropna()

这将删除含有NaN值的行后的结果如下所示：

Empty DataFrame
Columns: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
Index: []

如果需要删除含有NaN值的列，可以通过设置参数axis=1来实现：

d.dropna(axis=1)

这将删除含有NaN值的列后的结果如下所示：

Empty DataFrame
Columns: []
Index: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

总之，使用dropna()方法可以在Python的pandas库中删除含有NaN值的行或列。通过设置参数axis=1，可以删除含有NaN值的列。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [Python-pandas的dropna()方法-丢弃含空值的行、列](https://blog.csdn.net/xiao_yi_xiao/article/details/123502982)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *3* [利用PythonPandas进行数据预处理-数据清洗](https://download.csdn.net/download/weixin_38722721/15448785)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]

pythonpandas函数详解_Python pandas常用函数详解

Pandas 是一个强大的数据分析工具，提供了很多常用的函数来处理数据，下面是一些常用的函数及其用法：

1. read_csv()：读取 CSV 文件并返回一个 DataFrame 对象。

2. head()：返回 DataFrame 的前几行数据，默认为前 5 行。

3. tail()：返回 DataFrame 的后几行数据，默认为后 5 行。

4. info()：返回 DataFrame 的基本信息，包括每列的数据类型、非空值数量等。

5. describe()：返回 DataFrame 的基本统计信息，包括计数、均值、标准差、最小值、最大值等。

6. shape：返回 DataFrame 的行数和列数。

7. columns：返回 DataFrame 的列名。

8. index：返回 DataFrame 的行索引。

9. loc[]：根据行标签和列标签访问 DataFrame 中的元素。

10. iloc[]：根据行索引和列索引访问 DataFrame 中的元素。

11. dropna()：删除 DataFrame 中的缺失值。

12. fillna()：用指定的值或方法填充 DataFrame 中的缺失值。

13. groupby()：按照指定的列对 DataFrame 进行分组。

14. apply()：对 DataFrame 的每一列应用指定的函数。

15. pivot_table()：根据指定的列计算 DataFrame 的透视表。

16. merge()：将两个 DataFrame 按照指定的列进行合并。

17. sort_values()：按照指定的列对 DataFrame 进行排序。

18. drop_duplicates()：去除 DataFrame 中的重复行。

19. value_counts()：统计 DataFrame 中每个元素出现的次数。

20. isnull()：判断 DataFrame 中的元素是否为空值。

这些函数覆盖了 Pandas 中的很多常用操作，掌握它们对于数据分析和处理非常有帮助。