长沙微信网站,wordpress一句话插件,中国电子商务网站建设情况,广丰网站建设1.缺失值的表示 正常来说#xff0c;pandas缺失值是“nan”表示#xff0c;但是有且文件可能自己改成了相应的别的符号 2.如何将缺失值符号改成nan xxx.replace(to_replace...,valuenp.nan) 3.判断是否有缺失值 1.pd.notnull(xxx)————如果有缺失#xff0c;…1.缺失值的表示 正常来说pandas缺失值是“nan”表示但是有且文件可能自己改成了相应的别的符号 2.如何将缺失值符号改成nan xxx.replace(to_replace...,valuenp.nan) 3.判断是否有缺失值 1.pd.notnull(xxx)————如果有缺失则在缺失处返回false 2.pd.isnull(xxx)——————如果有缺失在缺失处返回True 在判断缺失时我们常常要的是最后的结果不是这个表的所有数据的true/false 所以常常搭配 numpy中的all或者any来进行数据的判断 notnull——如果数据有缺失值该处返回falsenp.all在外嵌套一旦不全是true就会返回false所以一旦有缺失最终返回false np.all(pd.notnull(data)) isnull————一旦有数据缺失isnull就会在该处返回truenp.any在外嵌套如果数据存在true就会返回true。综上所述一旦有缺失就会返回true np.any(pd.isnull(data)) 4.缺失值的替换、删除 # 替换——xxxxx.fillna(替换后的值inplaceTrue、False) inplaceTrue原数据也会替换False原数据不会做出改变 # 删除———xxxxx.dropna删除操作不会对原数据进行改变一般的写法 for i in data_drop.columns:if np.any(pd.isnull(data_drop[i])) True:data_drop[i].dropna()
print(data_drop) 代码
# 缺失值的处理
import pandas as pd
import numpy as np
from pandas import DataFrame# 1.引入文件
data pd.read_csv(E:/研究生/机器学习/百度云笔记/data/s1.csv)
data_replace data
data_drop data# 2.查看是否有缺失值
print(np.all(pd.notnull(data)))
# notnull——如果数据有缺失值该处返回falsenp.all在外嵌套一旦不全是true就会返回false所以一旦有缺失最终返回falseprint(np.any(pd.isnull(data)))
# isnull————一旦有数据缺失isnull就会在该处返回truenp.any在外嵌套如果数据存在true就会返回true。综上所述一旦有缺失就会返回true
注意搭配np.all与notnull搭配np.any与isnull搭配# 3.缺失值的查找替换、删除
# 替换——xxx.fillna(替换后的值inplaceTrue、False)
for i in data_replace.columns:if np.any(pd.isnull(data_replace[i])) True:data_replace[i].fillna(data_replace[i].mean(), inplaceFalse)
print(data)
print(data_replace)# 删除———xxx.dropna
for i in data_drop.columns:if np.any(pd.isnull(data_drop[i])) True:data_drop[i].dropna()
print(data)
print(data_drop)# 当缺失值不是nan形式如何替换
data1pd.read_csv(E:/研究生/机器学习/百度云笔记/data/Salary_1.csv)
data1.replace(to_replace?,valuenp.nan)
print(data1)
结果 False True Unnamed: 0 Rk PLAYER ... PACE W SALARY_MILLIONS 0 0 1 Russell Westbrook ... 102.31 46 26.50 1 1 2 James Harden ... 102.98 54 26.50 2 2 3 Isaiah Thomas ... 99.84 51 26.50 3 3 4 Anthony Davis ... 100.19 31 NaN 4 4 6 DeMarcus Cousins ... 97.11 30 NaN 5 5 7 Damian Lillard ... 99.68 38 24.33 6 6 8 LeBron James ... 98.38 51 30.96 7 7 9 Kawhi Leonard ... 95.79 54 31.30 [8 rows x 13 columns] Unnamed: 0 Rk PLAYER ... PACE W SALARY_MILLIONS 0 0 1 Russell Westbrook ... 102.31 46 26.50 1 1 2 James Harden ... 102.98 54 26.50 2 2 3 Isaiah Thomas ... 99.84 51 26.50 3 3 4 Anthony Davis ... 100.19 31 NaN 4 4 6 DeMarcus Cousins ... 97.11 30 NaN 5 5 7 Damian Lillard ... 99.68 38 24.33 6 6 8 LeBron James ... 98.38 51 30.96 7 7 9 Kawhi Leonard ... 95.79 54 31.30 [8 rows x 13 columns] Unnamed: 0 Rk PLAYER ... PACE W SALARY_MILLIONS 0 0 1 Russell Westbrook ... 102.31 46 26.50 1 1 2 James Harden ... 102.98 54 26.50 2 2 3 Isaiah Thomas ... 99.84 51 26.50 3 3 4 Anthony Davis ... 100.19 31 NaN 4 4 6 DeMarcus Cousins ... 97.11 30 NaN 5 5 7 Damian Lillard ... 99.68 38 24.33 6 6 8 LeBron James ... 98.38 51 30.96 7 7 9 Kawhi Leonard ... 95.79 54 31.30 [8 rows x 13 columns] Unnamed: 0 Rk PLAYER ... PACE W SALARY_MILLIONS 0 0 1 Russell Westbrook ... 102.31 46 26.50 1 1 2 James Harden ... 102.98 54 26.50 2 2 3 Isaiah Thomas ... 99.84 51 26.50 3 3 4 Anthony Davis ... 100.19 31 NaN 4 4 6 DeMarcus Cousins ... 97.11 30 NaN 5 5 7 Damian Lillard ... 99.68 38 24.33 6 6 8 LeBron James ... 98.38 51 30.96 7 7 9 Kawhi Leonard ... 95.79 54 31.30 [8 rows x 13 columns] Rk PLAYER POSITION AGE ... PIE PACE W SALARY_MILLIONS 0 1 Russell Westbrook PG 28 ... 23.0 102.31 46 26.5 1 2 James Harden PG 27 ... 19.0 102.98 54 26.5 2 3 Isaiah Thomas PG 27 ... 16.1 99.84 51 26.5 3 4 Anthony Davis C 23 ... 19.2 100.19 31 ? 4 6 DeMarcus Cousins C 26 ... 17.8 97.11 30 16.96 5 7 Damian Lillard PG 26 ... 15.9 99.68 38 24.33 6 8 LeBron James SF 32 ... 18.3 98.38 51 30.96 7 9 Kawhi Leonard SF 25 ... 17.4 95.79 54 ? [8 rows x 12 columns] 进程已结束退出代码为 0 注意 1.any与all是np的函数并且注意 any搭配的是isnullall搭配的是notnull 2.isnull、notnull和fillna、dropna的写法 pd.~null数据集 数据集.dropna() 3.注意查找替换的写法是 for i in data.columns然后是data[i]...
