1. 處理缺失數據

   pandas 使用浮點值 NaN （Not a Number）表示浮點和非浮點數組中的缺失數據。它只是一個便于被檢測出來的標記而已。

   In [168]: data = Series(['a','b',np.nan,'d'])In [169]: data
   Out[169]: 
   0      a
   1      b
   2    NaN
   3      d
   dtype: objectIn [170]: data.isnull()
   Out[170]: 
   0    False
   1    False
   2     True
   3    False
   dtype: bool
   

   Python 內置的 None 值也會被當做 NA 處理：

   In [171]: data[0] = NoneIn [172]: data.isnull()
   Out[172]: 
   0     True
   1    False
   2     True
   3    False
   dtype: bool
   

?

2. 濾除缺失數據

   對于 Series，dropna 返回一個僅含非空數據和索引值的 Series：

   In [173]: data
   Out[173]: 
   0    None
   1       b
   2     NaN
   3       d
   dtype: objectIn [174]: data.dropna()
   Out[174]: 
   1    b
   3    d
   dtype: object
   # 也可以通過布爾型索引達到這個目的
   In [175]: data[data.notnull()]
   Out[175]: 
   1    b
   3    d
   dtype: object
   

   而對于 DataFrame 對象，稍微有點復雜，dropna 默認會丟棄任何含有缺失值的行：

   In [176]: data = DataFrame([[1,2,3],[1,np.nan,np.nan],...: [np.nan,np.nan,np.nan],[np.nan,4,5]])In [177]: cleaned = data.dropna()In [178]: data
   Out[178]: 0    1    2
   0  1.0  2.0  3.0
   1  1.0  NaN  NaN
   2  NaN  NaN  NaN
   3  NaN  4.0  5.0In [179]: cleaned
   Out[179]: 0    1    2
   0  1.0  2.0  3.0# 傳入 how='all' 將只丟棄全為 NA 的那些行
   In [181]: data.dropna(how='all')
   Out[181]: 0    1    2
   0  1.0  2.0  3.0
   1  1.0  NaN  NaN
   3  NaN  4.0  5.0
   

   要丟棄列，需要傳入 axis=1，表示在列上生效：

   In [183]: data[4] = np.nanIn [184]: data
   Out[184]: 0    1    2   4
   0  1.0  2.0  3.0 NaN
   1  1.0  NaN  NaN NaN
   2  NaN  NaN  NaN NaN
   3  NaN  4.0  5.0 NaNIn [185]: data.dropna(axis=1,how='all')
   Out[185]: 0    1    2
   0  1.0  2.0  3.0
   1  1.0  NaN  NaN
   2  NaN  NaN  NaN
   3  NaN  4.0  5.0
   

   ?

3. 填充缺失數據

   要填充缺失的數據，主要使用 fillna 方法，通過調用 fillna(Number) 就會將缺失值替換為 Number 數值。

   In [186]: df
   Out[186]: one  two
   a  1.0  NaN
   b  2.0  3.0
   c  NaN  NaN
   d  0.0  2.0In [187]: df.fillna(100)
   Out[187]: one    two
   a    1.0  100.0
   b    2.0    3.0
   c  100.0  100.0
   d    0.0    2.0
   # fillna 默認會返回新對象，但是傳入 inplace=True 會對原有對象進行就地修改
   In [188]: df.fillna(200,inplace=True)In [189]: df
   Out[189]: one    two
   a    1.0  200.0
   b    2.0    3.0
   c  200.0  200.0
   d    0.0    2.0
   

4. 層次化索引

   P164?

總結

以上是生活随笔為你收集整理的Pandas 基础 （5） —— 处理缺失数据及层次化索引的全部內容，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。