Pandas 保留NaN值与删除非缺失值

在本文中，我们将介绍如何在Pandas中保留NaN值并删除非缺失值。在数据分析中，处理缺失值是非常重要的一步。在某些情况下，我们需要保留缺失值以便后续分析，而在其他情况下，我们需要删除缺失值以确保数据集的准确性和一致性。Pandas库提供了许多方法可以帮助我们轻松地处理数据。

阅读更多：Pandas 教程

保留NaN值

有时候，在处理数据时，我们需要保留NaN值以进行后续分析。以下是如何在Pandas中保留NaN值的示例：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, np.nan], 'C': [7, 8, 9]})
print(df)

# Output:
#      A    B  C
# 0  1.0  4.0  7
# 1  2.0  NaN  8
# 2  NaN  NaN  9

df_keep_nan = df[df.isna().any(axis=1)]
print(df_keep_nan)

# Output:
#      A    B  C
# 1  2.0  NaN  8
# 2  NaN  NaN  9

在以上示例中，我们创建了一个包含NaN值的数据帧，并使用df.isna ()方法确定了带有NaN值的行。使用.dfany(axis=1)的任一轴为真(True)意味着该行至少包含一个NaN值。然后，我们使用条件筛选器将包含NaN值的行提取出来，并将其存储在一个新的数据帧中。

删除非缺失值

在某些情况下，我们需要删除非缺失值，以确保数据集的准确性和一致性。以下是如何在Pandas中删除非缺失值的示例：

import pandas as pd
import numpy as np

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, np.nan], 'C': [7, 8, 9]})
print(df)

# Output:
#      A    B  C
# 0  1.0  4.0  7
# 1  2.0  NaN  8
# 2  NaN  NaN  9

df_drop_nonmissing = df.dropna()
print(df_drop_nonmissing)

# Output:
#      A    B  C
# 0  1.0  4.0  7