Pandas检查和填充缺失值的几种方法总结

在数据分析中，缺失值是一个常见问题。Pandas 是一个强大的 Python 数据分析库，提供了多种方法来检查和处理缺失值。下面我们将介绍几种常用的方法，并给出示例代码。

1. 检查缺失值

要检查 DataFrame 或 Series 中的缺失值，可以使用 isnull() 或 isna() 函数。这两个函数的作用是相同的，只是名称不同。

import pandas as pd
# 创建一个包含缺失值的 DataFrame
df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [5, np.nan, 7]})
# 检查缺失值
print(df.isnull())

输出：

A      B
0  False  False
1  False   True
2   True  False

这个输出是一个布尔 DataFrame，其中 True 表示缺失值，False 表示非缺失值。

2. 填充缺失值

填充缺失值的方法有很多种，下面是几种常用的方法。

2.1 使用特定值填充

使用 fillna() 函数可以填充缺失值。可以指定一个特定的值，或者使用方法来填充。例如，使用平均值、中位数或众数等。

示例：使用平均值填充缺失值

# 计算平均值并填充缺失值
df['A'].fillna(df['A'].mean(), inplace=True)
df['B'].fillna(df['B'].mean(), inplace=True)
print(df)

输出：

A   B
0  1.0  5.0
1  2.0  5.5
2  3.6  7.0

2.2 使用前一个或后一个有效值填充

使用 ffill() 和 bfill() 方法可以分别使用前一个和后一个有效值填充缺失值。这两个方法的参数是 axis 和 inplace。例如：

示例：使用前一个有效值填充缺失值（向前填充）

# 使用前一个有效值填充缺失值（向前填充）
df['A'].ffill(inplace=True)
df['B'].ffill(inplace=True)
print(df)

输出：

A   B
0  1.0  5.0
1  2.0  5.0
2  NaN  7.0

示例：使用后一个有效值填充缺失值（向后填充）

python df['A'].bfill(inplace=True) df['B'].bfill(inplace=True) print(df)python yaml A B 0 1.0 5.0 1 2.0 5.0 2 7.0 NaNpython 示例解释：这里使用 ffill() 和 bfill() 方法分别向前和向后填充了缺失值。向前填充使用了前一个有效值，向后填充使用了后一个有效值。注意，由于在第一个位置没有前一个有效值，所以保持了原始的 NaN 值。