今天，我将与您分享对Python缺少价值观的知识。它也将解释它。如果您可以解决您现在面临的问题，请不要忘记注意此网站。让我们现在开始！
本文目录清单：
1.如何删除python数据框的缺失值2. python填补了缺失值的损失3. Python数据处理：筛选，统计，连续表，拼接，拆卸，拆卸，缺失值处理4. Python检查是否有缺失值1。导入库。
2.生成缺失的data.data = pdataframe（{'name'：['kite'，'lily'，'hanmei'，'hanmei'，'danny'，'bob']，'英语'：[92,78，np.nan，23,82]，“数学”：[69,87,91，np.nan，90]，'centern'：[np.nan，78,96，np.nan，75]}），print（data）。
3.检查缺失的值.data.isnull（）#view所有缺少的值，data.isnull（）。任何（）#get包含缺失值的列，data.isnull（）。all（）#get所有na列。
4.删除缺失的值。此处理方法是更多信息。data2= data.dropna（）.print（data2）可以看出，删除后，只剩下两行数据。
5.使用Sklearn替换缺失的值。当缺失值是数值数据时，可以更换平均值。
6.使用pandas替换缺陷。data.fillna（0）＃缺失值被0代替。
扩展信息
执行Python后，PY文件中的源代码将编译到Python的字节代码（字节码）中，然后执行Python虚拟机（Python Virtual Machine）来执行这些编译的字节代码。与Java一致。
但是，Python虚拟机不同于Java或.NET的虚拟机。Python的虚拟机是一台更高级的虚拟机。
从通常的意义上讲，这里的高级级别并不是说Python的虚拟机比Java或.Net更强大。
与Java或Net相比，Python的虚拟机距离真实机器更远。或者可以说Python的虚拟机是一种具有更高抽象水平的虚拟机。
c python编制的字节码文件通常是pyc格式。此外，python也可以在交互式模式下运行，例如主流操作系统unix/linux，mac和windows可以直接在命令模式下直接运行Python Interactive环境可以发出直接操作说明以实现交互式操作。
Python的设计目标之一是使代码高度可读。它使用标点符号符号和英语单词，这些符号和英语单词通常用其他语言使用，以使代码看起来整洁且美丽。
它不需要像C和Pascal等其他静态语言那样反复编写陈述，也不需要像他们的语法那样经常出现特殊情况和事故。
Python开发人员打算制定违反缩进规则的程序，不能汇编以迫使程序员养成良好的编程习惯。
python语言的开始和退出使用句子块的起点和退出（外部规则），而不是使用括号或某些关键字。插入短语块的开头，减少凹痕表示退出的退出。句子块。扩展已成为语法的一部分。
在大多数情况下，填充方法是最重要的函数。用常数替换为常数值。
填充（值）
参数：值
注意：它用于填充缺少的标量值或字典对象。
#call fillna通过常数
写作方法：df.fillna（0）#use 0替换缺失值
#call fillna通过词典
写作方法：df.fillna（{1：0.5，3：-1}）
fillna（value，Inplace = true）
参数：Inplote
注意：修改可选对象而不生成副本
＃始终返回对填补人的参考
写作方法：df.fillna（0，Inplace = true）
填充（方法= ffill）
参数：方法
注意：插入方法。如果在函数调用时未指定其他参数，则默认值为“ ffill”
那些有效屈光的插值方法也可以用于FillNA：
在[23]中：从numpy导入nan为na
在[21]中：df = dataframe（np.random.randn（6,3））
在[24]中：df.ix [2：1] = na;df.ix [4：，2] = na
在[25]中：DF
出去[25]：
0 1 2
0 -0.863925 1.005127 -0.529901
1 0.701671 -0.501728 -0.617387
2 -0.951060 NAN -0.263626
3 0.810230 NAN -0.277401
4 -0.403899 Nan Nan
5 -0.081091 Nan Nan
在[26]中：df.fillna（方法='ffill'）
出去[26]：
0 1 2
0 -0.863925 1.005127 -0.529901
1 0.701671 -0.501728 -0.617387
2 -0.951060 -0.501728 -0.263626
3 0.810230 -0.501728 -0.277401
4 -0.403899 -0.501728 -0.277401
5 -0.081091 -0.501728 -0.277401
填充（限制= 2）
参数：限制
注意：（对于前后），可以连续填充的最大数字
在[27]中：df.fillna（方法='ffill'，limit = 2）
出去[27]：
0 1 2
0 -0.863925 1.005127 -0.529901
1 0.701671 -0.501728 -0.617387
2 -0.951060 -0.501728 -0.263626
3 0.810230 -0.501728 -0.277401
4 -0.403899 NAN -0.277401
5 -0.081091 NAN -0.277401
fillna（data.me.me（）））
只要您稍微移动大脑，就可以使用FillNA实施许多其他功能。例如，该系列的平均或中位数可以介绍：
在[28]中：data =系列（[1，na，3.5，na，7]）））））
在[29]中：data.fillna（data.mean（））
file1_path ='e：/ users/lenovo/desktop/chine tv/622召回.csv'＃源数据
格式：file1 = pd.read_csv（file1_path）
pd.read_csv（file1_path，encoding ='gbk'）
pd.read_csv（file1_path，encoding ='gbk'，skiprows = [2,3]）
pd.read_csv（file1_path，encoding ='gbk'，skiprows = lambda x：x％2 == 1）
pd.read_csv（file1_path，encoding ='gbk'，keep_default_na = false）
new = pdataframe（）
new.new [[0,1,2]]
new.new [0：2]
查询结果与上述相同
new.loc [new ['激活号] 1000]
LOC和ILOC之间的差异：
LOC：纯标签筛选
ILOC：纯数字筛选
＃
new = new.loc [：，['phone'，'收件人名称']]
＃1
new.iloc [：，[0,1]]]
使用“ ==”屏幕筛选“ Cui Xu”的人（只能筛选出明确的规格）
#new = file1.loc [（file1 ['收件人名称'] =='cui xu'）|（file1 ['收件人名称'] =='cui xia'）]]]]]]]
#print（新）
＃将loc函数用于屏幕-str.包含函数筛选名称，其中包含“明亮”和“ sea”
#new = file1.loc [file1 ['收件人名称'] .str.Contains（'liang | sea'）]
#print（新）
＃将loc函数用于屏幕-str.contains函数屏幕'cui'姓氏
#new = file1.loc [file1 ['收件人名称'] .str.startswitch（'cui'）]
#print（新）
df = df [（df ['reade_pay_time_x']。
print（“ ofer_time（number）= 0：”，newdata [newdata ['extry_time（number）'] == 0] .count（）
print（“ ofer_time（number）= 1,2,3数字：”，newdata [（newdata ['eccore_time（number）'] 0）（newdata ['ofer_time（number）]。）']）
print（newdata [newdata ['ofer_time（number）'] == 0]
newdata [newdata ['team']。isin（['grand'，'意大利'，'俄罗斯']] [['team'，'射击学院']]]]]
DF。年龄。value_counts（）
1.修改指定位置数据的值（修改行0，‘订单的值'列为3836）
new.loc [0，'创建订单'number'] = 3836
2.替换“小敏” - “小”
df.replace（{'name'：{'xiao ming'：'xiaoming'}}）
3.批次替换列的值
方法1：df ['gengender'] = df ['gengender'] .map（{'男性'：“男性'，'女性'：'女性'}）
方法两个：df ['gender'] .replace（'雌性'，'女性'，Inplace = true）
或df ['性别'] = df ['性别'] .ruplace（'女性'，'women'）这是内置的角色
+df ['性别'] .replace（'男性'，'男性'，intplace = true）
4.更换索引
df.columns = ['sex'，'名称'，'高度'，'age']
或：df.rename（列= {'性别'：'sex'，'name'：'name'，'height'：'height'：'height'：'height'，'age'：'age'}）
5.删除特定列
del DF ['player']
6.删除列（方法2）并删除一行（默认轴= 0删除行，并删除1列）
删除特定列（方法2）
df.drop（'性别'，轴= 1）
删除一行
DF.Drop（1，轴= 0）
file1 = pd.read_csv（file1_path）
file2 = pd.read_csv（file2_path）
new1 = pd.dataframe（）
new1 ['phone'] = file1 ['phone']
new1 ['contact_time'] = file1 ['Contact_time']
new2 = pd.dataframe（）
new2 ['phone'] = file2 ['phone']
new2 ['cummission_audit_time'] = file2 ['提交评论时间']
newdata = pd.merge（new1，new2，on ='phone'，how ='left'）
df = pd.concat（[[df1，df2]，轴= 0）
4.2.2水平计连接
df = pd.concat（[[DF1，df2]，轴= 1）
df1 ['region'] .str.split（'·，3，展开= true）
DF1：
df1 [['City'，“城市区域”，'地址']] = df1 ['region'] .str.split（'·，3，Expand = true）
5.1删除
data.dropna（轴= 0，子集
data.dropna（如何='all'）＃传递此参数后，您只会丢弃所有错过值的行
data.dropna（Axis = 1）＃丢弃缺失值列表（通常不这样做，这将删除功能）
data.dropna（轴= 1，how =“ all”）＃＃d d d d d d d d d d d d d d d d d
5.2丢失的值填充：pandas.dataframe.fillna（）函数
dataframe.fillna（value = none，method = none，axis = none，innplace = false = false，limit = none，download = none，** kwargs）
功能：使用指定的方法填充Na/Nan值
其中，Invlace = true是直接以原始为基础填充
5.3丢失的价值查询：
查询丢失值的数量：df.isnull（）。sum（）
缺乏价值线查询：df [df.isnull（）。t.any（）]
newdata ['ofer_time'] = pd.to_dateTime（newdata ['cubmission_audit_time']）-pd.to_dattime（newdata ['contact_time']））
newdata ['ofer_time（number）'] =（pd.to_dateTime（newdata ['bistion_audit_time']）-pd.to_dattime（newdata ['contact_time']）。
new = pdataframe（）
new = newdata [newdata ['extry_time（number）'] == 0]
new.to_csv（save_path，encoding ='utf-8-sig'）
拆卸数据并将其存储到不同的CSV文件中：
路径='c：/users/edz/desktop/work/2021.08.19/'
对于我的范围（0,30）：
df.loc [[I]。to_csv（路径+str（i）+'。csv'，encoding ='gbk'）
df = df [['购买日期'，'周'，“社会保险卡号”，“产品编码”，“产品名称”，“销售数量”，“应收款项”，“收入金额”]]]]]]]]]]]]]]]]]]
统计数据中的每一列是否具有空置值：
data.isnull（）。任何 （）
统计数据中的每一列的数量：
data.isnull（）。任何 （）。sum（）
但是有时候，很明显，有空值但不能计算。
最近，我遇到的数据，空值的填充为null。在使用上述功能之前，需要对此进行转换。
data = data.replace（'null'，np.nan）
然后，您继续使用data.isnull（）。任何（），ata.isnull（）。任何 （）。sum（）很好。
如果这样做，您的问题尚未解决。检查您的缺乏价值被NP.Nan.取代
另一种方法：
np.any（np.isnan（数据））
np.All（np.Iffinite（数据））
让我们谈谈python有多少丢失值。感谢您阅读本网站的内容。有关python有多少丢失值的更多信息，请不要忘记在此站点上找到它。