135 lines
3.4 KiB
Markdown
135 lines
3.4 KiB
Markdown
# 熊猫 fillna()方法——完全指南
|
||
|
||
> 原文：<https://www.askpython.com/python/pandas-fillna-method>
|
||
|
||
数据分析已经成为我们日常生活的重要组成部分。每天我们都要处理来自不同领域的不同种类的数据。数据分析的主要挑战之一是数据中缺失值的存在。在本文中，我们将学习如何在 fillna()方法的帮助下处理数据集中的缺失值。我们开始吧！
|
||
|
||
## 熊猫 fillna()方法是什么，为什么有用？
|
||
|
||
Pandas Fillna()是一种用于填充数据集中缺失值或 na 值的方法。您可以填充像零这样的缺失值，也可以输入一个值。当您处理 CSV 或 Excel 文件时，这种方法通常会很方便。
|
||
|
||
不要与我们删除丢失值的 [dropna()方法](https://www.askpython.com/python-modules/pandas/drop-multiple-columns-dataframe)混淆。在这种情况下，我们将用零或用户输入的值替换丢失的值。
|
||
|
||
让我们来看看 fillna()函数的语法。
|
||
|
||
```py
|
||
DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs)
|
||
|
||
```
|
||
|
||
让我们看看下面的例子，看看如何在不同的场景中使用 fillna()方法。
|
||
|
||
### **Pandas DataFrame fillna()方法**
|
||
|
||
在下面的例子中，我们将用零填充 NAN 值的位置。
|
||
|
||
```py
|
||
import pandas as pd
|
||
import numpy as np
|
||
|
||
df = pd.DataFrame([[np.nan, 300, np.nan, 330],
|
||
[589, 700, np.nan, 103],
|
||
[np.nan, np.nan, np.nan, 675],
|
||
[np.nan, 3]],
|
||
columns=list('abcd'))
|
||
print(df)
|
||
|
||
#Filling the NaN values with zeros.
|
||
print("\n")
|
||
print(df.fillna(0))
|
||
|
||
```
|
||
|
||
输出
|
||
|
||
```py
|
||
a b c d
|
||
0 NaN 300.0 NaN 330.0
|
||
1 589.0 700.0 NaN 103.0
|
||
2 NaN NaN NaN 675.0
|
||
3 NaN 3.0 NaN NaN
|
||
|
||
a b c d
|
||
0 0.0 300.0 0.0 330.0
|
||
1 589.0 700.0 0.0 103.0
|
||
2 0.0 0.0 0.0 675.0
|
||
3 0.0 3.0 0.0 0.0
|
||
|
||
```
|
||
|
||
### **只对一列应用 fillna()方法**
|
||
|
||
```py
|
||
df = pd.DataFrame([[np.nan, 300, np.nan, 330],
|
||
[589, 700, np.nan, 103],
|
||
[np.nan, np.nan, np.nan, 675],
|
||
[np.nan, 3]],
|
||
columns=list('abcd'))
|
||
|
||
print(df)
|
||
|
||
#Filling the NaN value
|
||
print("\n")
|
||
newDF = df['b'].fillna(0)
|
||
print(newDF)
|
||
|
||
```
|
||
|
||
输出
|
||
|
||
```py
|
||
a b c d
|
||
0 NaN 300.0 NaN 330.0
|
||
1 589.0 700.0 NaN 103.0
|
||
2 NaN NaN NaN 675.0
|
||
3 NaN 3.0 NaN NaN
|
||
|
||
0 300.0
|
||
1 700.0
|
||
2 0.0
|
||
3 3.0
|
||
Name: b, dtype: float64
|
||
|
||
```
|
||
|
||
还可以使用 limit 方法指定要填充 NAN 值的行。
|
||
|
||
```py
|
||
import pandas as pd
|
||
import numpy as np
|
||
df = pd.DataFrame([[np.nan, 300, np.nan, 330],
|
||
[589, 700, np.nan, 103],
|
||
[np.nan, np.nan, np.nan, 675],
|
||
[np.nan, 3]],
|
||
columns=list('abcd'))
|
||
|
||
print(df)
|
||
|
||
# Filing the NaN value
|
||
print("\n")
|
||
print(df.fillna(0, limit=2))
|
||
|
||
```
|
||
|
||
输出
|
||
|
||
```py
|
||
a b c d
|
||
0 NaN 300.0 NaN 330.0
|
||
1 589.0 700.0 NaN 103.0
|
||
2 NaN NaN NaN 675.0
|
||
3 NaN 3.0 NaN NaN
|
||
|
||
a b c d
|
||
0 0.0 300.0 0.0 330.0
|
||
1 589.0 700.0 0.0 103.0
|
||
2 0.0 0.0 NaN 675.0
|
||
3 NaN 3.0 NaN 0.0
|
||
|
||
```
|
||
|
||
在上面的方法中，我们应用了 limit=2，这意味着我们只替换了前两行中的 NAN 值。
|
||
|
||
## 结论
|
||
|
||
总之，我们学习了在数据帧中填充 NAN 值的不同方法。所有这些方法在你的任何数据分析项目中都会派上用场。 |