Pandas怎么过滤缺失数据？pd.dropna()函数的用法说明！

大多数时候我们获得的数据并不都是完整的，缺失的数据要先进行过滤处理才能进一步操作。那么pandas怎么过滤缺失数据呢？实际上是用到了pandas的dropna()函数，接下来这篇文章就是pd.dropna()函数的用法说明。

看代码吧~

DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
Remove missing values.

pd.dropna()函数(官方文档)用于过滤数据中的缺失数据.

缺失数据在pandas中用NaN标记.

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5, 3), index = list('abcde'), columns = ['one', 'two', 'three'])        # 随机产生5行3列的数据    
df.ix[1, :-1] = np.nan        # 将指定数据定义为缺失
df.ix[1:-1, 2] = np.nan
print(df)

缺失数据标记

df.dropna()   #删除所有带缺失数据的行

删除带缺失数据标记的行

parameters	详解
axis	default 0指行,1为列
how	{‘any', ‘all'}, default ‘any'指带缺失值的所有行;'all'指清除全是缺失值的行
thresh	int,保留含有int个非空值的行
subset	对特定的列进行缺失值删除处理
inplace	这个很常见,True表示就地更改

补充：Python-pandas的dropna()方法-丢弃含空值的行、列

0.摘要

dropna()方法，能够找到DataFrame类型数据的空值（缺失值），将空值所在的行/列删除后，将新的DataFrame作为返回值返回。

1.函数详解

函数形式：dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

参数：

axis：轴。0或'index'，表示按行删除；1或'columns'，表示按列删除。

how：筛选方式。‘any'，表示该行/列只要有一个以上的空值，就删除该行/列；‘all'，表示该行/列全部都为空值，就删除该行/列。

thresh：非空元素最低数量。int型，默认为None。如果该行/列中，非空元素数量小于这个值，就删除该行/列。

subset：子集。列表，元素为行或者列的索引。如果axis=0或者‘index'，subset中元素为列的索引；如果axis=1或者‘column'，subset中元素为行的索引。由subset限制的子区域，是判断是否删除该行/列的条件判断区域。

inplace：是否原地替换。布尔值，默认为False。如果为True，则在原DataFrame上进行操作，返回值为None。

2.示例

创建DataFrame数据：

import numpy as np
import pandas as pd
 
a = np.ones((11,10))
for i in range(len(a)):
    a[i,:i] = np.nan
 
d = pd.DataFrame(data=a)
print(d)

按行删除：存在空值，即删除该行

# 按行删除：存在空值，即删除该行
print(d.dropna(axis=0, how='any'))

运行结果

按行删除：所有数据都为空值，即删除该行

#  按行删除：所有数据都为空值，即删除该行
print(d.dropna(axis=0, how='all'))

按列删除：该列非空元素小于5个的，即删除该列

# 按列删除：该列非空元素小于5个的，即删除该列
print(d.dropna(axis='columns', thresh=5))

运行结果

设置子集：删除第0、5、6、7列都为空的行

# 设置子集：删除第0、5、6、7列都为空的行
print(d.dropna(axis='index', how='all', subset=[0,5,6,7]))

设置子集：删除第5、6、7行存在空值的列

# 设置子集：删除第5、6、7行存在空值的列
print(d.dropna(axis=1, how='any', subset=[5,6,7]))

运行结果

原地修改

# 原地修改
print(d.dropna(axis=0, how='any', inplace=True))
print("==============================")
print(d)

原地修改

以上就是Pandas怎么过滤缺失数据,的全部内容，希望能给大家一个参考，也希望大家多多支持W3Cschool。