简介：今天，首席执行官指出，与您分享有关Python中缺少数据的相关内容的数量。如果您能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！
1.对数据df.sort_values（）排序
#read数据
titanic_survival = pd.read_csv（r“ C：userspythonwandata_minepython_pandas itanic_train.csv”）
#use sort_values（）函数以对指定的列进行排序，对默认的上升顺序进行排序，andrace = true表示对titanic_survival.sort_values（（（“ age”））
2.丢失价值判断和统计数据pandas.isnull（），pandas.isnull
值统计方法1：df.isnull（）。sum（）：
＃当未指定特定列时，计算整个DF的缺失值数量
titanic_survival ['age']。一片空白 （）。sum（）
通过统计，通过LEN（）函数统计数字遗漏了该值
3.缺乏价值处理
品尝丢失值的损失可以分为两类：删除价值和缺失值的损失。缺乏有价值的插值分为以下内容：
9月/中位数/号码插值
使用固定值（用常数替换缺失的属性）
最近的邻居（找到最接近记录中缺失样本的样本的属性插值）
回归方法（对于具有缺失值的变量，基于现有数据和与之相关的其他变量建立拟合模型，以预测缺失值的丢失）
插入方法（使用已知点来建立合适的插值函数f（x），未知值是通过相应点XI获得的）
下面，我们主要讨论删除删除的操作，学习一些大熊猫缺失值和删除操作。
1）df.dropna（），丢弃包含任何缺失值的行
＃（轴= 0）轴= 0表示删除行，轴= 1表示删除列
dropall = titanic_survival.dropna（）（）（）（）
删除具有任何空值的行
2）df.dropna（）函数删除列中包含一个空值的行
现在，在此数据中，年龄，小屋和登陆已经丢失了。如果我们直接使用df.dropna（），我们将在这三列中删除所有具有空值的行，但是我们希望只删除年龄列中的空值。DATA，我该怎么办？
直接使用df.dropna（sub set = ['colorn_list']）
drop_age_null = titanic_survival.dropna（sub set = [“ age”]）
删除指定列中包含缺失值的行
熊猫自定义功能
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））
最近，我了解了Python数据分析的一些基本知识。有Numpy，Pandas，Matplotlib等，并找到了一个带有药物数据分析的小型项目来练习。
数据分析的步骤通常可以分为6：
1.澄清分析的目的
2.数据准备
3，数据清洁
4.数据分析
5，数据可视化
6.分析报告
数据分析的目的：
通过分析Chaoyang地区医院的药物销售数据，了解Chaoyang医院患者的平均每月消费，平均每月消费量，客户单位价格和消费趋势以及需求最高的药物。
数据准备
数据存在于Excel中。您可以使用Pandas的Excel文件读取该功能，以将数据读取到内存中。在这里，您需要注意文件名的名称和Excel中的表页面。阅读数据后，您可以预览并查看数据上的一些基本信息。
可以通过数据的基本信息看到行总数为6578，但是社会保险卡号仅为6576，其他行只有6577行，表明有一个缺少的值，这将是在数据清洁中处理。
数据清洁
数据清洁过程通常包括：选择子集，命名名称，缺乏数据处理，数据类型转换，数据排序和异常值处理。
（1）选择一个子集
在我们获得的数据中，数据量可能非常大，而不是每一列都有可分析的贵重物品。目前，有必要从整个数据中选择适当的子集来分析它，这可以提高效率。但是，这种情况的数据列更少，可以忽略。
（2）名称名称
在数据分析过程中，某些列和数据易于混淆或产生歧义，这不利于数据分析。目前，您需要将名称的名称替换为一个简单的理解名称。您可以使用重命名函数来实现：
（3）数据处理
通过查看基本信息，可以推测“社会保险卡号”缺少值。如果未处理这些丢失值，数据分析结果将被干扰。缺少数据的常用处理方法是：删除缺失值，通常用于少量缺失值，这对整体数据几乎没有影响；平均填充通常用于数值类型；算法填充等。在这种情况下，缺少的值很小，并且使用DropNA函数直接删除缺失的数据。
（4）数据类型转换
为了防止导入数据被进口，所有数据将被迫为对象类型，但是实际数据分析过程“销售数量”，“应收款项”和“收入金额”。这些列需要浮动 - 点类型（float）数据，“销售时间”需要更改为时间格式，因此需要转换数据类型，并且可以使用asstype（）函数。
（5）处置治疗
查看数据说明统计信息：我们可以看到最小值具有负数。原因是销售量的价值为负，销售量少于0的数据需要删除。
数据分析和可视化
这里涉及的数据可视化不多，因此我们将数据分析和可视化结合在一起。在数据分析之前，我们应确定分析的指标。
（1）指标1：平均每月消费计算：平均每月消费量=总消费数量 /月数
（2）指标2：平均每月消费量计算：平均每月消费量=总消费量 /月数量
（3）指标3：客户单位价格计算：客户单位价格=总消费量 /总消费数量
（4）指标4：消费趋势
每日消耗量分布：水平轴是时间，垂直轴是散射的点图。
结论：从分散的点图可以看出，每日消费量的绝大多数均低于500，并且有时候有很多消费量。
每月的消费量变化，销售时间汇总了每月聚合，然后在分组后找到累积金额，并绘制折叠图。
结论：1月，4月，5月和6月的消费量并没有太大变化，基本上是相同的，并且2月和3月的数量很低。它可能会受到春节假期的影响。由于数据不完整。
分析药物的销售，“产品名称”和“销售量”的两列被分析为系列形式，这对于后续统计很方便。
结论：医院应始终注意销量顶部的药物数量，以确保药物不会短并且会影响患者。
在这里，我们使用粮农组织（食品和农业组织）提供的数据集来练习如何使用Python进行探索性数据分析。
让我们介绍您首先使用的袋子
接下来，加载数据集
看一下数据量，
查看数据的信息，
让我们看一下变量的两列的信息，variable_full，
看看您拥有多少个国家，
看看那里有多少个时间周期，
看看时间周期是什么，
让我们看一下特定列中缺少值的数量和某个指标。例如，变量是丢失total_area时丢失值的数量。
我们通过几个维度分析数据：
我们按照上述治疗继续进行。现在，我们要计算此周期中的变化为一个时间周期。
我们还可以根据州分类在不同时期内检查某个国家的变化。
我们还可以根据属性在不同时期内的不同国家的变化，
我们还可以给国家和指标，以查看这个国家的变化，
我们也有区域（区域）而无需查看，让我们看一下：
从上图可以看出，有太多的区域要观察，我们可以合并一些区域。还原以帮助模型评估的区域数量。您可以创建一个词典来找到新的，更简单的地区（亚洲，北美，南美，大洋洲）
让我们看一下数据更改，
在上面的数据处理后，立即让我们重新介绍软件包。这次有一些新包裹
让我们看一下水资源状况，
从上图可以看出，只有少数国家报告了水资源的总量。从最后一段时间开始，只有少数国家 /地区拥有数据。我们将删除变量，因为很小的数据点会导致许多问题引起许多问题
接下来，让我们看一下国家降雨指数，
2002年之后将不会报告国家降雨，因此我们还删除了这些数据，
让我们拿出一个单独的大陆来分析并在南美举例说明。让我们看一下数据的完整性。
我们还可以指定不同的指标，
接下来，我们使用pandas_profiling来计算单个变量和多变量之间的关系，以及
我们必须在这里计算的是，例如
我们的乡村_POP从小到大，发现几个国家的农村人口确实存在负面。
人口数量不能小于0，因此这表明数据存在问题，并且存在肮脏的数据。如果进行分析和预测，请注意处理这些肮脏数据。
接下来，让我们看一下部分学位，我们规定，
正态分布的偏置应为零，负偏置表示左偏置，正偏置表示正确的偏差。
计算部分计算后，我们计算峰值度。峰值度也是正态分布。峰值程度不能为负。它只能是一个正数。
接下来，让我们看一下，如果数据分发非常不平衡，该怎么办
上图是2013 - 2017年从2013 - 2017年开始的国家总数的分布。通过上图，我们发现有许多人口不到2000,000的国家（不考虑单位），而且人口大于1200,000的国家很少。我们不能索要数据。目前我们应该怎么做？
通常，在这种情况下，使用日志转换成为正常。数字变化是数据转换的常见方式。数据转换的目的是使呈现数据的呈现接近我们想要的先决条件，以便更好地统计推断。
接下来，让我们使用日志转换它，并查看其偏移和峰值，
可以看出，偏差已大大减少并减少了倾斜度。
可以发现峰值学位也下降了。接下来，让我们看日志转换后的数据分布。
尽管数据仍然具有一定的偏见，但显然更好，并且演示文稿的分布相对标准。
首先，让我们看一下美国总人口的变化。
接下来，我们检查北美每个国家的总人口，随着时间的流逝，变化
目前，我们发现，由于某些国家 /地区的人口本身很小，因此整个形象并不明显。我们可以更改参考指标。那么我们有什么标准化？我们可以选择最低，平均，中位数，一个国家或其他位置的最大价值。。
我们还可以使用热图显示，使用颜色的阴影相对较小，
接下来，让我们分析水资源的分布，
我们可以进行日志转换，
让我们用热画
可以将连续值绘制到散落的点图片中，以方便查看，
让我们看一下随着季节的变化，人均GDP的变化。
关联：
与两个变量相关的两个变量之间的线性关系强度，我们可以使用相关性来识别变量。
现在，我们提出一个单独的指标分析，哪些因素与人均GDP的变化有关。正相关是积极的影响，负相关是负面影响。
当我们绘制图片时，我们还可以考虑使用夹具来设置间隔。例如，我们可以分为几个间隔进行分析。该间隔（例如人均GDP低，相对落后的国家和人均GDP较高）。这也是我们经常需要的操作。
进行日志更改，这是25个箱
让我们指定分割的标准，
我们还可以查看人均GDP和落后国家的内部数据。让我们看一下内部数据的分布，并使用Boxplot绘制图片。
对于此部分的分布，我们还可以计算其他指标。如下图所示，我们还可以查看洪水的统计数据。
收集器故障。当使用python进行数据分析时，python的值缺失，但是由于收集器是错误的，因此找不到它。数据集缺失，空和异常值，因此数据清洁是一个特别重要的步骤。
结论：以上是有关CTO笔记的相关内容答案是如何通过如何查看Python中缺少数据的，但是有多少相关内容答案，我希望它对您有所帮助！如果您解决问题，请分享，请分享它与更多关心这个问题的朋友?