Pandas教程( 四 ) 作为每个数据科学家都非常熟

Axis = 0 ，表示行，如果未指定，默认为Axis=0 。
Axis = 1 ，表示列。

文章插图
a）（删除nan值）。
data.isnull().values.any()是否有丢失的数据？
True如果没有将其分配到(新)变量中，则应该指定inplace=True ，以便更改能生效。
data.dropna(axis=0, inplace=True) #从行中删除nandata.isnull().values.any() #是否有丢失的数据？Falseb）删除列
data.drop(columns=['PassengerId', 'Name'], axis=1).head()

文章插图
c） value_counts也可以显示NaN值。
data.Age.value_counts(dropna=False)NaN17724.003022.002718.002628.0025... 36.50155.50166.00123.5010.421Name: Age, Length: 89, dtype: int64d）替换丢失值

创建新的数据帧，复制数据，以保持原始数据的完整性。

new_df = data.copy()计算年龄平均值:
new_df.Age.mean()29.69911764705882

用数据的平均值填充NAN ，并将结果分配给一个新列。

new_df['Age_mean'] = new_df.Age.fillna(new_df.Age.mean())年龄的中值
new_df.Age.median()28.0用数据的中值填充任意NAN ，并将结果分配给一个新列。
new_df['Age_median'] = new_df.Age.fillna(new_df.Age.median())

验证结果

new_df[['Age', 'Age_mean', 'Age_median']].isnull().sum()Age177Age_mean0Age_median0dtype: int64显示第106至110行，以验证两个NAN示例的插补（第107和109行）。
new_df[['Age', 'Age_mean', 'Age_median']][106:110]

文章插图
结束了

文章插图
结论我真诚地希望你觉得这个教程有用，因为它可以帮助你编写代码的开发。