pandas isna() 检测缺失值

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

isna() 方法用于检测 DataFrame 或 Series 中的缺失值。它会返回一个与原数据结构相同的布尔型 DataFrame 或 Series，其中缺失值被标记为 True，非缺失值标记为 False。

语法

DataFrame.isnull是DataFrame.isna的别名。检测缺失值。

DataFrame.isna()

返回一个大小相同的布尔对象，指示值是否为 NA 值，如 None 或 numpy.NaN。NaN被映射为True值。其他所有内容都映射到 False 值。空字符串“”或numpy.inf等字符不被视为NA值（除非您将 pandas.options.mode.use_inf_as_na = True 设置为True）。

适用数据类型

DataFrame
Series

参数

isna() 方法没有额外的参数。

返回值

返回值类型:
- 对于 DataFrame，返回一个布尔型 DataFrame。
- 对于 Series，返回一个布尔型 Series。
返回值说明: 返回的布尔型对象与原数据结构相同，缺失值 (NaN 或 None) 被标记为 True，非缺失值标记为 False。

使用场景

数据清洗: 在数据处理和清洗过程中，需要识别数据中的缺失值。isna() 可以帮助检测和定位这些缺失值，以便后续处理。
数据分析: 在数据分析阶段，了解数据中的缺失值分布情况有助于决定如何填补或处理这些缺失值。
数据预处理: 在机器学习和数据建模之前，常常需要处理缺失值。isna() 方法可以用于检查缺失值，以确保数据的完整性。

示例

显示DataFrame中的哪些条目是NA。

df = pd.DataFrame(dict(age=[5, 6, np.nan],
                       born=[pd.NaT, pd.Timestamp('1939-05-27'),
                             pd.Timestamp('1940-04-25')],
                       name=['Alfred', 'Batman', ''],
                       toy=[None, 'Batmobile', 'Joker']))
df
'''
   age       born    name        toy
0  5.0        NaT  Alfred       None
1  6.0 1939-05-27  Batman  Batmobile
2  NaN 1940-04-25              Joker
'''

df.isna()
'''
     age   born   name    toy
0  False   True  False   True
1  False  False  False  False
2   True  False  False  False
'''

显示系列中哪些条目为NA。

ser = pd.Series([5, 6, np.nan])
ser
'''
0    5.0
1    6.0
2    NaN
dtype: float64
'''

ser.isna()
'''
0    False
1    False
2     True
dtype: bool
'''

例子

例1: 基本使用

import pandas as pd
import numpy as np

# 构造示例数据
data = {
    'A': [1, np.nan, 3, np.nan],
    'B': [np.nan, 2, np.nan, 4]
}
df = pd.DataFrame(data)

# 使用 isna 检测缺失值
na_df = df.isna()

print(df)
print(na_df)

输出:

'''
     A    B
0  1.0  NaN
1  NaN  2.0
2  3.0  NaN
3  NaN  4.0

       A      B
0  False   True
1   True  False
2  False   True
3   True  False
'''

在这个例子中，isna() 方法将 DataFrame 中的缺失值 NaN 标记为 True，其他值标记为 False。

例2: 使用在 Series 上

import pandas as pd
import numpy as np

# 构造示例数据
data = pd.Series([1, np.nan, 3, np.nan])

# 使用 isna 检测缺失值
na_series = data.isna()

print(data)
print(na_series)

输出:

'''
0    1.0
1    NaN
2    3.0
3    NaN
dtype: float64

0    False
1     True
2    False
3     True
dtype: bool
'''

在这个例子中，isna() 方法对 Series 中的缺失值进行标记，返回布尔型 Series，其中缺失值被标记为 True。

例3: 检测混合数据类型的 DataFrame

import pandas as pd
import numpy as np

# 构造示例数据
data = {
    'A': [1, 'b', np.nan],
    'B': [np.nan, 2.0, 'c']
}
df = pd.DataFrame(data)

# 使用 isna 检测缺失值
na_df = df.isna()

print(df)
print(na_df)

输出:

'''
     A    B
0    1  NaN
1    b  2.0
2  NaN    c

       A      B
0  False   True
1  False  False
2   True  False
'''

在这个例子中，isna() 方法检测了 DataFrame 中的各种数据类型，包括数字、字符串和 NaN，并返回布尔型 DataFrame，准确标记了缺失值。

总结

isna() 方法是数据预处理和清洗的重要工具，它能够识别和定位数据中的缺失值。通过返回布尔型数据结构，isna() 使得检测缺失值变得直观且方便。对于数据清洗、分析和建模过程中的缺失值处理，它是一个必不可少的方法。

参考

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.isnull.html

pandas 缺失值的认定 notna() 检测非缺失值 >

更新时间：2024-08-09 09:30:53 标签：pandas python isna 缺失值