Pandas数据分析：数据缺失处理问题

原创 傷城~ 2025-02-19 02:15 54阅读 0赞

在 Pandas 进行数据分析时，数据缺失（NaN）是一个常见的问题。以下是一些处理数据缺失的常用方法：

  1. 删除缺失值：如果你确定某些记录有缺失值且对分析结果影响不大，可以直接使用 dropna() 方法删除含有缺失值的行或列。
  1. import pandas as pd
  3. data = {'A': [1, 2], 'B': [3, np.nan]}, 
  4.            index=['row1', 'row2'], 
  5.            columns=['col_A', 'col_B'] 
  7. df = pd.DataFrame(data)
  9. # 删除含有缺失值的行
  10. df_row_with_missing = df[df.index == 'row2']]
  11. df = df.drop('row2')
  13. print("Original DataFrame:")
  14. print(df)
  1. 填充缺失值：Pandas 提供了多种填充缺失值的方法，例如：
  • 使用中位数、平均值或众数填充数值列：
  1. df['col_B'] = df['col_B'].fillna(df['col_B'].median())
  • 用某个特定值（如0）填充分类列的缺失值：
  1. df['col_A'] = df['col_A'].fillna(0, method='ffill')
  • 用自定义函数或 Series 来填充：
  1. def custom_fill(value):
  2.     return value if pd.isnull(value) else 0
  4. df['col_B'] = df['col_B'].fillna(custom_fill)

根据实际情况选择合适的填充方法。

文章版权声明：注明蒲公英云原创文章，转载或复制请以超链接形式并注明出处。

发表评论

表情：
评论列表 （有 0 条评论，54人围观）

还没有评论，来说两句吧...

相关阅读