处理方式：
存在缺失值nan,并且是np.nan:
删除存在缺失值的:dropna(axis='rows')
替换缺失值:fillna(df[].mean(), inplace=True)
不是缺失值nan，有默认标记的
1、存在缺失值nan,并且是np.nan
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
# 判断数据是否为NaN
# pd.isnull(df),pd.notnull(df),pd.isna(df)
# 读取数据
movie = pd.read_csv("./date/IMDB-Movie-Data.csv")
##第一种 删除
# pandas删除缺失值，使用dropna的前提是，缺失值的类型必须是np.nan
# 删除缺失值为np.nan的所在行
movie.dropna()
# 第二种 替换缺失值
# 替换存在缺失值的样本
# 替换 填充平均值
movie['Metascore'].fillna(movie['Metascore'].mean(), inplace=True)
# 替换 填充自定义值
movie['Metascore'].fillna(11, inplace=True)
|
2、不是缺失值nan，有默认标记的
1、先替换默认标记值为np.nan
df.replace(to_replace=, value=)
2、在进行缺失值的处理
# 把一些其它值标记的缺失值，替换成np.nan
mm = moive.replace(to_replace='默认值', value=np.nan)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/caijunchao/p/12885019.html