高清一级片在线播放,国语对白中文字幕第二页,台湾精品一区二区三区,亚洲黄色视频免费看,欧美性爱日韩,高清无码在线免费观看视频,日本无码操逼视频,亚洲AV中文无码

◆?◆?◆ ?◆?◆

前言

數(shù)據(jù)缺失值的處理，在數(shù)據(jù)分析前期，即數(shù)據(jù)處理過程中占著重要的地位，在數(shù)據(jù)分析面試中被問到的概率也是極大的。

一般情況下，我們對待缺失值有三種處理方式：

（1）源數(shù)據(jù)補錄，即通過再次采樣或者詢問等方式將缺失內(nèi)容補充完整；

（2）缺失值填充，即根據(jù)一定的規(guī)則將缺失值填充，可選眾數(shù)、中位數(shù)等；

（3）刪除缺失值，即根據(jù)一定的規(guī)則將含有缺失值的行或列直接進行刪除。

我的會員請教了我關(guān)于缺失值的問題，于是我為他整理了一篇詳細的文章，講解一下如何進行缺失值處理。今天這篇文章只是缺失值處理的第一節(jié)——缺失值的刪除。

dropna

dropna為pandas庫下DataFrame的一個方法，用于刪除缺失值。基本參數(shù)如下：

dropna(self, axis=0, how='any', subset=None, inplace=False)

接下來，我們一一進行講解。

#?預覽模擬數(shù)據(jù)>>>?dfOut[1]:?    name   age   birthday  gender0   Alan  17.0 1999-01-25    male1          NaN        NaT  female2  Black  18.0 1997-02-07    male3   Cici   NaN 2000-01-18  female4  David  25.0        NaT    male5    NaN  22.0        NaT  female
#?不加任何參數(shù)>>>?df.dropna()Out[2]:?    name   age   birthday gender0   Alan  17.0 1999-01-25   male2??Black??18.0?1997-02-07???male
>>> df.dropna(how?=?'any')Out[3]:?    name   age   birthday gender0   Alan  17.0 1999-01-25   male2  Black  18.0 1997-02-07   male

通過上面的代碼可以看出，在不加任何參數(shù)，即默認值情況下，會把所有包含缺失值的行統(tǒng)統(tǒng)刪除。

# all——刪除整行均為缺失值的行>>>?df.dropna(how?=?'all')Out[4]:     name   age   birthday  gender0   Alan  17.0 1999-01-25    male1          NaN        NaT  female2  Black  18.0 1997-02-07    male3   Cici   NaN 2000-01-18  female4  David  25.0        NaT    male5    NaN  22.0        NaT  female
>>> df.iloc[:,1:3].dropna(how = 'all')Out[5]:     age   birthday0  17.0 1999-01-252  18.0 1997-02-073   NaN 2000-01-184  25.0        NaT5  22.0        NaT
# 按列刪除——即包含缺失值的列統(tǒng)統(tǒng)被刪除>>> df.dropna(axis = 1)Out[6]:    gender0    male1  female2    male3  female4    male5  female
# 刪除指定列包含缺失值的行>>> df.dropna(subset = ['name','gender'])Out[7]:     name   age   birthday  gender0   Alan  17.0 1999-01-25    male1          NaN        NaT  female2  Black  18.0 1997-02-07    male3   Cici   NaN 2000-01-18  female4  David  25.0        NaT    male

當然了，以上所有的操作均不是對元數(shù)據(jù)產(chǎn)生作用，只是生成了一個副本。如果想要對元數(shù)據(jù)產(chǎn)生作用，則必須加一個inplace參數(shù)。

#?再次查看元數(shù)據(jù)，觀察是否變化>>>?dfOut[8]:?    name   age   birthday  gender0   Alan  17.0 1999-01-25    male1          NaN        NaT  female2  Black  18.0 1997-02-07    male3   Cici   NaN 2000-01-18  female4  David  25.0        NaT    male5    NaN  22.0        NaT  female
# 加入inplace參數(shù)，對元數(shù)據(jù)產(chǎn)生影響>>>?df.dropna(inplace?=?True)
>>> dfOut[9]:?    name   age   birthday gender0   Alan  17.0 1999-01-25   male2  Black  18.0 1997-02-07   male

后記

缺失值的處理，是個很麻煩的事兒，在實際工作過程中，你會遇到各種各樣的缺失值，而且處理起來非常棘手。比如索引為1的這一行，name字段也是一個缺失值，這時候該怎么處理呢？！歡迎關(guān)注我的公眾號，帶你每天都能更近一步！

>>>?df[1:2]Out[182]:   name  age birthday  gender1       NaN      NaT  female

<點擊跳轉(zhuǎn)，優(yōu)質(zhì)推薦>

pandas中apply與map的異同

《安家》熱播，我用Python對北京房價進行了分析，結(jié)果……

Pandas遇上Pyecharts碰撞出可交互的可視化效果

五行Python代碼輕松實現(xiàn)OCR文字識別

記得點在看~祝大家一夜暴富，基金、股票一片紅~

【送書，包郵到家】

《Python數(shù)據(jù)分析全流程實操指南》

內(nèi)容簡介：

本書適合在企業(yè)中從事數(shù)據(jù)分析、數(shù)據(jù)挖掘、機器學習等工作的人員學習使用，同樣適合想從事數(shù)據(jù)分析挖掘工作的各大中專院校的學生與教師，以及其他對數(shù)據(jù)分析挖掘技術(shù)領域有興趣愛好的各類人員。

規(guī)則：點在看，分享，排行榜第一即可獲得本書。

“在看”的永遠18歲~

Python數(shù)據(jù)分析之缺失值處理（二）|文末送書