以下代碼僅僅適用于numerical特征，不適用于category特征

代碼如下：

#統計有缺失值的特征列 np.set_printoptions(threshold=2000)#全部輸出 pd.set_option('display.max_colwidth',2000)#全部輸出 pd.set_option('max_colwidth',2000) pd.set_option('display.max_rows',None) pd.set_option('display.max_columns',None)def missing_values(df):df1 = pd.DataFrame(df.isnull().sum()).reset_index()df1.columns = ['features', 'freq']df1['percentage'] = df1['freq']/df.shape[0]df1.sort_values('percentage', ascending = False, inplace = True)return df1missing_train = missing_values(train) missing_train.columns = ['features', 'freq_tr', 'percentage_tr'] missing_train

結果如下：

第三列freq_tr是缺失值數量

第四列percentage_tr是缺失值比例

?

既可以用來看訓練集，也可以用來看測試集:

missing_test = missing_values(test) missing_test.columns = ['features', 'freq_te', 'percentage_te'] missing_test

也可以訓練集和測試集按照特征縱向拼接以后，看總體的缺失值情況：

missing = missing_train.merge(missing_test, on = 'features') missing.head(10)

?

也可以指定只看一個特征的null情況：

?

missing[missing['features']=='D7']

?

總結

以上是生活随笔為你收集整理的统计所有带有null的特征的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。