极客教程Pandas 统计Dataframe中每列非NaN值的数量
在本文中，我们将介绍如何使用Pandas统计Dataframe中每列非NaN值的数量。在实际数据处理中，经常需要对数据进行清洗和统计。而NaN值是常见的数据缺失情况，需要对其进行处理或排除。因此，了解每列非NaN值的数量是很有必要的。
阅读更多：Pandas 教程
生成随机Dataframe
首先，我们需要生成一个随机的Dataframe作为例子。可以使用NumPy库中的random模块来生成一个随机的矩阵数据：
这里生成了一个10行5列的随机Dataframe，并将负数替换为NaN值，然后手动将第一行第三列的值设为NaN。
使用count()函数统计每列非NaN值的数量
Pandas中的Dataframe和Series对象都提供了count()函数来统计非NaN值的数量。对于Dataframe，count()函数默认在每列上进行统计。为了方便观察，我们可以使用transpose()函数将行列交换后输出：
输出结果如下：
可以看出，每列非NaN值的数量分别为9、9、8、10、9。
统计每行非NaN值的数量
如果需要统计每行的非NaN值的数量，可以将axis参数设置为1：
输出结果如下：
可以看出，每行非NaN值的数量均为4。
排除含NaN值的行或列
在实际数据处理中，常常需要将含有NaN值的行或列排除。可以使用dropna()函数来实现。
对于排除含NaN值的列，可以使用如下代码：
输出结果如下：
可以看出，只剩下了含有非NaN值的第四列D。
对于排除含NaN值的行，可以使用如下代码：
输出结果如下：
可以看出，只剩下了不含NaN值的行。
统计每行或每列含NaN值的数量
除了统计每行或每列非NaN值的数量外，有时也需要统计含NaN值的数量。可以使用isnull()函数将含NaN值的单元格标记为True，然后对True值进行统计。
对于统计每列含NaN值的数量，可以使用如下代码：
输出结果如下：
可以看出，每列含NaN值的数量分别为1、1、2、0、1。
对于统计每行含NaN值的数量，可以使用如下代码：
输出结果如下：
可以看出，每行含NaN值的数量均为1。
总结
本文介绍了如何使用Pandas统计Dataframe中每列非NaN值的数量，以及统计含NaN值的数量和排除含NaN值的行或列。使用Pandas库可以方便地进行数据处理和统计分析，极大地提高了数据处理的效率。需要提醒的是，根据具体的数据情况，需要选择合适的数据处理方法和策略。