极客教程pandas 获取nan
在数据处理中，经常会遇到缺失值的情况，即NaN（Not a Number）或None。NaN在pandas中被视作一种特殊的浮点数，用来表示缺失值或不可用值。在本文中，我们将详细介绍如何在pandas中获取和处理NaN值。
创建包含NaN的数据集
首先，让我们创建一个包含NaN值的数据集作为示例。我们可以使用pandas的DataFrame来创建一个二维表格数据结构，这个表格可以包含任意数据类型。以下是一个包含NaN值的DataFrame：
import pandas as pd
import numpy as np
data = {'A': [1, 2, np.nan, 4],
'B': [5, np.nan, np.nan, 8],
'C': [9, 10, 11, 12]}
df = pd.DataFrame(data)
print(df)
运行以上代码，我们会得到如下输出：
A B C
0 1.0 5.0 9
1 2.0 NaN 10
2 NaN NaN 11
3 4.0 8.0 12
现在，我们已经创建了一个包含NaN值的DataFrame，接下来我们将介绍如何获取和处理这些NaN值。
获取NaN值的位置
在pandas中，我们可以使用isnull()和notnull()方法来查看数据中的NaN值。这两个方法返回一个布尔值的DataFrame，其元素为True或False，表示对应位置是否为NaN值。
print(df.isnull())
运行以上代码，我们会得到如下输出：
A B C
0 False False False
1 False True False
2 True True False
3 False False False
上面的结果显示了DataFrame中每个位置是否为NaN值。为了更具体地了解NaN值的位置，我们可以进一步获取具体的行列索引。
nan_positions = df.isnull()
print(nan_positions[nan_positions])
运行以上代码，我们可以得到包含NaN值的位置信息的输出：
A B C
2 True True False
上面的信息告诉我们，在第2行的A列和B列中有NaN值。
处理NaN值
在实际数据处理中，我们通常会选择删除包含NaN值的行或列，或者用特定的值填充NaN值。
删除NaN值
我们可以使用dropna()方法来删除包含NaN值的行或列。其中，通过指定axis参数可以选择删除行或列，默认情况下axis=0表示删除行。
cleaned_df = df.dropna()
print(cleaned_df)
运行以上代码，我们会得到删除NaN值之后的结果：
A B C
3 4.0 8.0 12
在上述示例中，我们删除了包含NaN值的行，也可以通过指定axis=1来删除包含NaN值的列。
填充NaN值
另一种处理NaN值的方法是用特定的值填充NaN值。我们可以使用fillna()方法实现这个功能。
filled_df = df.fillna(0)
print(filled_df)
运行以上代码，我们将NaN值替换为0，得到如下输出：
A B C
0 1.0 5.0 9
1 2.0 0.0 10
2 0.0 0.0 11
3 4.0 8.0 12
除了填充常数值外，我们还可以用均值、中位数或其他统计量来填充NaN值。
总结
在本文中，我们详细介绍了如何在pandas中获取和处理NaN值。通过isnull()和notnull()方法，我们可以检测NaN值的位置；通过dropna()方法和fillna()方法，我们可以删除或填充NaN值。有效处理NaN值有助于保证数据的完整性和准确性，提高数据分析的效率和准确性。