資料結構
網路
關係資料庫管理系統 (RDBMS)
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會研究
時尚研究
法律研究Python Pandas中原地填充多個列的缺失值
Python擁有一個名為Pandas的開源內建庫，用於資料分析和操作。它有一個定義良好的資料結構稱為DataFrame，類似於表格。它還可以用於從各種型別的檔案（如CSV、Excel、SQL資料庫等）讀寫資料。
fillna()是一個用於填充Pandas DataFrame或Series中缺失值(NaN/Null)的方法。缺失值將用一個確定的值或其他指定的方法以及方法呼叫一起填充。
語法
object_name.fillna(value, method, limit, axis, inplace, downcast)
fillna()方法返回具有填充缺失值的相同輸入DataFrame或Series。
示例1
我們使用fillna()來填充pandas DataFrame和CSV檔案中缺失的值。fillna()方法使用相同的引數可以同時用於這兩個物件。
注意：
此處附上從csv檔案匯入的資料以供參考。sampel_data.csv
演算法
步驟1 - 識別指定DataFrame或Series中的缺失值(NaN/Null)。
步驟2 - 根據傳遞給fillna()方法的引數填充已識別的缺失值。如果傳遞整數，則它將用於替換所有缺失值。如果傳遞方法，則它將用於填充缺失值。此外，還會填充軸和降維中提到的值。
步驟3 - 返回一個填充了缺失值的新DataFrame或Series。
import pandas as pd
# Create a sample DataFrame
df = pd.DataFrame({'C1': [5, 23, 33, np.NaN], 'C2': [26, np.NaN, 7, 18], 'C3': [11, 30, np.NaN,112]})
print(df)
#Or read a dataset from a csv or any other file
df1=pd.read_csv("sample_data.csv")
# Fill NaN values in C1 and C2 with 0, and in C3 with 1
df.fillna(value={'C1': 0, 'C2': 0, 'C3': 1}, inplace=True)
#Filling NaN values in df1 with a random integer
df1.fillna(111)
# Print the updated DataFrame to see the difference
print(df)
輸出
#Before filling missing values C1 C2 C3 0 5.0 NaN 11.0 1 23.0 89.0 30.0 2 33.0 7.0. NaN 3 NaN 18.0 112.0 #After filling missing values C1 C2 C3 0 5.0 0.0 11.0 1 23.0 89.0 30.0 2 33.0 7.0 1.0 3 0.0 18.0 112.0
示例2
我們將使用一個包含關於學生資訊的資料集，並使用fillna()方法用列值的平均值填充缺失值。我們將隨機選擇資料集，而不是像示例1那樣從CSV檔案匯入。
import numpy as np
import pandas as pd
# Create a sample DataFrame with missing values
data = {
'RollNo': [1, 2, 3, 4, 5],
'Age': [10, np.NaN, 5, 8, 12],
'Marks': [100, 200,np.NaN, 150,np.NaN]
}
data= pd.DataFrame(data)
#Original DataFrame with missing values
print(data)
# Fill missing values with mean values
data1 = data.fillna(data.mean())
print(data1)
輸出
RollNo Age Marks 0 1 10.0 100.0 1 2 NaN 200.0 2 3 5.0 NaN 3 4 8.0 150.0 4 5 12.0 NaN RollNo Age Marks 0 1 10.00 100.0 1 2 8.75 200.0 2 3 5.00 150.0 3 4 8.00 150.0 4 5 12.00 150.0
結論
您可以使用Pandas中的fillna()方法填充DataFrame中單列或多列的缺失值，也可以用於填充Series中的缺失值。您可以指定用於填充的值以及如何使用各種引數填充值。
Pandas還有其他方法，如replace()，它用平均值、中位數、眾數或任何此類值替換缺失值。兩者之間的區別在於fillna()專門設計用於處理缺失值，而replace()更通用，可以用於填充物件中的任何值。因此，fillna()方法是處理資料中缺失值的更好選擇。
3K+ 瀏覽量
