Pandas使用这些函数处理缺失值：
isnull和notnull: 检测是否是空值，可用于df和Series
dropna: 丢弃，删除缺失值
axis: 删除行还是列，{0 ro ‘index‘, 1 or ‘columns‘}， default 0
how: 如果等于any则任何值为空都删除，如果等于all则所有值都为空时才删除
inplace: 如果为True则修改当前df, 否则返回新的df
fillna: 填充空值
value: 用于填充的值，可以是单个值，或者字典（key是列名，value是值）
method: 等于ffill使用前一个部位空的值填充forword fill; 等于bfill使用后一个部位空的值天充backword fill
axis: 按行还是按列填充，{0 ro ‘index‘, 1 or ‘columns‘}
inplace: 如果为True则修改当前df, 否则返回新的df
实例：特殊Excel的读取，清洗，处理
import pandas as pd # 第一步：读取Excel的时候忽略前几个空行 print(‘*‘ * 25, ‘第一步：读取Excel的时候忽略前几个空行‘, ‘*‘ * 25) file_path = "../datas/student_excel/student_excel.xlsx" studf = pd.read_excel(file_path, skiprows=2) print(studf) # 第二步：检测空值 print(‘*‘ * 25, ‘第二步：检测空值‘, ‘*‘ * 25) print(studf.isnull()) print(‘*‘ * 25, ‘筛选分数为空的值‘, ‘*‘ * 25) print(studf[‘分数‘].isnull()) print(‘*‘ * 25, ‘筛选分数不为空的值‘, ‘*‘ * 25) print(studf[‘分数‘].notnull()) print(‘*‘ * 25, ‘筛选没有空分数的所有行‘, ‘*‘ * 25) print(studf.loc[studf[‘分数‘].notnull(), :]) # 第三步：删除全是空值的列 studf.dropna(axis=‘columns‘, how=‘all‘, inplace=True) print(‘*‘ * 25, ‘第三步：删除全是空值的列‘, ‘*‘ * 25) print(studf) # 第四步：删除全是空值的行 studf.dropna(axis=‘index‘, how=‘all‘, inplace=True) print(‘*‘ * 25, ‘第四步：删除全是空值的行‘, ‘*‘ * 25) print(studf) # 第五步：将分数列为空的填充为0分 # studf.fillna({"分数": 0}) # 有点小问题 studf.loc[:, ‘分数‘] = studf[‘分数‘].fillna(0) # 两种方式相同 print(‘*‘ * 25, ‘第五步：将分数列为空的填充为0分‘, ‘*‘ * 25) print(studf) # 第六步：将姓名的缺失值填充 studf.loc[:, ‘姓名‘] = studf[‘姓名‘].fillna(method=‘ffill‘) print(‘*‘ * 25, ‘第六步：将姓名的缺失值填充‘, ‘*‘ * 25) print(studf) # 第七步：将清洗好的execel保存 print(‘*‘ * 25, ‘第七步：将清洗好的execel保存‘, ‘*‘ * 25) studf.to_excel("../datas/student_excel/student_excel_clean.xlsx", index=False)
原文：https://www.cnblogs.com/xingxingnbsp/p/13851826.html