成人国产在线小视频_日韩寡妇人妻调教在线播放_色成人www永久在线观看_2018国产精品久久_亚洲欧美高清在线30p_亚洲少妇综合一区_黄色在线播放国产_亚洲另类技巧小说校园_国产主播xx日韩_a级毛片在线免费

資訊專欄INFORMATION COLUMN

pandas使用fillna函數(shù)填充NaN值的代碼實(shí)例

89542767 / 528人閱讀


　　小編寫這篇文章的主要目的，還是用來給大家講解一些案例，給大家講解一下具體的一些使用法則，包括使用fillna函數(shù)填充NaN值，下面給大家做一個(gè)比較詳細(xì)的解答。


　　1.參數(shù)解析


　　1.1inplace參數(shù)


　　取值：True、False


　　True：直接修改原對象


　　False：創(chuàng)建一個(gè)副本，修改副本，原對象不變（缺省默認(rèn)）


　　1.2method參數(shù)


　　取值：{‘pad’,‘ffill’,‘backfill’,‘bfill’,None},defaultNone


　　pad/ffill：用前一個(gè)非缺失值去填充該缺失值


　　backfill/bfill：用下一個(gè)非缺失值填充該缺失值


　　None：指定一個(gè)值去替換缺失值（缺省默認(rèn)這種方式）


　　1.3limit參數(shù)：


　　限制填充個(gè)數(shù)


　　1.4axis參數(shù)


　　修改填充方向


　　補(bǔ)充


　　isnull和notnull函數(shù)用于判斷是否有缺失值數(shù)據(jù)


　　isnull：缺失值為True，非缺失值為False


　　notnull：缺失值為False，非缺失值為True


　　2.代碼實(shí)例


　#導(dǎo)包
　　importpandasaspd
　　importnumpyasnp
　　fromnumpyimportnanasNaN
　　df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])
　　df1


　　代碼結(jié)果：


　　012


　　01.02.03.0


　　1NaNNaN2.0


　　2NaNNaNNaN


　　38.08.0NaN


　　2.1常數(shù)填充


　　2.1.1用常數(shù)填充


　　#1.用常數(shù)填充
　　print(df1.fillna(100))
　　print("-----------------------")
　　print(df1)


　　運(yùn)行結(jié)果：


　　012


　　01.02.03.0


　　1100.0100.02.0


　　2100.0100.0100.0


　　38.08.0100.0


　　-----------------------


　　012


　　01.02.03.0


　　1NaNNaN2.0


　　2NaNNaNNaN


　　38.08.0NaN


　　2.1.2用字典填充


　　第key列的NaN用key對應(yīng)的value值填充


df1.fillna({0:10,1:20,2:30})


　　運(yùn)行結(jié)果：


　　012


　　01.02.03.0


　　110.020.02.0


　　210.020.030.0


　　38.08.030.0


　　2.2使用inplace參數(shù)


print(df1.fillna(0,inplace=True))
　　print("-------------------------")
　　print(df1)

　　運(yùn)行結(jié)果：


　　在這里插入代碼片


　　2.3使用method參數(shù)


　1.method='ffill'/'pad'：用前一個(gè)非缺失值去填充該缺失值
　　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2)
　　print("-------------------------")
　　print(df2.fillna(method='ffill'))


　　運(yùn)行結(jié)果：


　　01234


　　08445.06.0


　　1528NaN7.0


　　2631NaNNaN


　　3549NaNNaN


　　46546.09.0


　　-------------------------


　　01234


　　08445.06.0


　　15285.07.0


　　26315.07.0


　　35495.07.0


　　46546.09.0


　　2.method=‘bflii’/‘backfill’：用下一個(gè)非缺失值填充該缺失值


　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2)
　　print("-------------------------")
　　print(df2.fillna(method='bfill'))


　　運(yùn)行結(jié)果：


　　01234


　　01041.03.0


　　1464NaN2.0


　　2492NaNNaN


　　3973NaNNaN


　　46135.05.0


　　-------------------------


　　01234


　　01041.03.0


　　14645.02.0


　　24925.05.0


　　39735.05.0


　　46135.05.0


　　2.4使用limit參數(shù)


　　用下一個(gè)非缺失值填充該缺失值且每列只填充2個(gè)


　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2)
　　print("-------------------------")
　　print(df2.fillna(method='bfill',limit=2))


　　運(yùn)行結(jié)果：


　　01234


　　02044.00.0


　　1799NaN1.0


　　2173NaNNaN


　　3858NaNNaN


　　48624.04.0


　　-------------------------


　　01234


　　02044.00.0


　　1799NaN1.0


　　21734.04.0


　　38584.04.0


　　48624.04.0


　　2.5使用axis參數(shù)


axis=0對每列數(shù)據(jù)進(jìn)行操作
　　axis=1對每行數(shù)據(jù)進(jìn)行操作
　　df2=pd.DataFrame(np.random.randint(0,10,(5,5)))
　　df2.iloc[1:4,3]=None
　　df2.iloc[2:4,4]=None
　　print(df2.fillna(method="ffill",limit=1,axis=1))


　　運(yùn)行結(jié)果：


　　01234


　　00.04.09.07.02.0


　　16.05.00.00.03.0


　　28.08.08.08.0NaN


　　35.05.06.06.0NaN


　　47.05.07.04.01.0


　　總結(jié)，小編就為大家介紹到這里了，希望可以給讀者帶來幫助。

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/127852.html

相關(guān)文章

  • 【數(shù)據(jù)科學(xué)系統(tǒng)學(xué)習(xí)】Python # 數(shù)據(jù)分析基本操作[二] pandas

    摘要：中面向行和面向列的操作基本是平衡的。用層次化索引，將其表示為更高維度的數(shù)據(jù)。使用浮點(diǎn)值表示浮點(diǎn)和非浮點(diǎn)數(shù)組中的缺失數(shù)據(jù)。索引的的格式化輸出形式選取數(shù)據(jù)子集在內(nèi)層中進(jìn)行選取層次化索引在數(shù)據(jù)重塑和基于分組的操作中很重要。 我們在上一篇介紹了 NumPy，本篇介紹 pandas。 pandas入門 Pandas 是基于Numpy構(gòu)建的，讓以NumPy為中心的應(yīng)用變的更加簡單。 pandas...

    jayzou 評論0 收藏0

  • PythonpandasDataFrame基礎(chǔ)運(yùn)算及空值填充詳解

    　　　　小編寫這篇文章的主要目的，是給大家介紹一下關(guān)于python中的一些實(shí)例，比如，其中，會給大家講到，Python中基礎(chǔ)值的一些運(yùn)算，以及當(dāng)我們遇到空的數(shù)值的時(shí)候，一些處理方法，下面給大家做一個(gè)詳細(xì)的解答?！　∏把浴　〗裉煳覀円黄饋砹牧腄ataFrame中的索引?！　∩弦黄恼庐?dāng)中我們介紹了DataFrame數(shù)據(jù)結(jié)構(gòu)當(dāng)中一些常用的索引的使用方法，比如iloc、loc以及邏輯索引等等。今天的文章...

    89542767 評論0 收藏0

  • 對pandas進(jìn)行數(shù)據(jù)預(yù)處理的實(shí)例講解

    摘要：引入包和加載數(shù)據(jù)清洗數(shù)據(jù)查看數(shù)據(jù)維度以及類型缺失值處理查看數(shù)據(jù)統(tǒng)計(jì)信息數(shù)值屬性離散化計(jì)算特征與屬性之間關(guān)系查看數(shù)據(jù)維度以及類型查看前五條數(shù)據(jù)查看每列數(shù)據(jù)類型以及情況獲得所有屬性查看數(shù)據(jù)統(tǒng)計(jì)信息查看連續(xù)數(shù)值屬性基本統(tǒng)計(jì)情況查看屬性數(shù)據(jù)統(tǒng)計(jì)情況 引入包和加載數(shù)據(jù) 12345import pandas as pdimport numpy as nptrain_df =pd.read_csv(...

    psychola 評論0 收藏0

  • Pandas庫基礎(chǔ)分析——數(shù)據(jù)規(guī)整化處理

    摘要：前言在數(shù)據(jù)分析和建模之前需要審查數(shù)據(jù)是否滿足數(shù)據(jù)處理應(yīng)用的要求，以及對數(shù)據(jù)進(jìn)行清洗，轉(zhuǎn)化，合并，重塑等一系列規(guī)整化處理。通過數(shù)據(jù)信息查看可知數(shù)據(jù)中存在缺失值，比如各存在個(gè)，各存在個(gè)。 前言 在數(shù)據(jù)分析和建模之前需要審查數(shù)據(jù)是否滿足數(shù)據(jù)處理應(yīng)用的要求，以及對數(shù)據(jù)進(jìn)行清洗，轉(zhuǎn)化，合并，重塑等一系列規(guī)整化處理。pandas標(biāo)準(zhǔn)庫提供了高級靈活的方法，能夠輕松地將數(shù)據(jù)規(guī)整化為正確的形式，本文通...

    roundstones 評論0 收藏0

  • 數(shù)據(jù)科學(xué)

    摘要：資料分析資料篩選偵測缺失值補(bǔ)齊缺失值資料轉(zhuǎn)換處理時(shí)間格式數(shù)據(jù)重塑資料學(xué)習(xí)正規(guī)運(yùn)算式處理資料格式，提供高效能，簡易使用的數(shù)據(jù)格式讓用戶可以快速操作及分析資料。使用平均數(shù)，中位數(shù)，眾數(shù)等敘述性統(tǒng)計(jì)補(bǔ)齊缺失值。 有90%的有用數(shù)據(jù)，都在數(shù)據(jù)庫中。 數(shù)據(jù) 數(shù)據(jù)類型 定性數(shù)據(jù)： 敘述特征或種類，例如：種族，區(qū)域。 定量數(shù)據(jù)： 可以被計(jì)數(shù)或測量，例如：身高，消費(fèi)金額。 定量數(shù)據(jù) 離散數(shù)據(jù)只能...

    anquan 評論0 收藏0

發(fā)表評論

0條評論

最新活動
閱讀需要支付1元查看
<