Pandas DataFrame DataFrame.dropna() 函数

  1. pandas.DataFrame.dropna() 语法
  2. 示例代码:DataFrame.dropna() 删除行
  3. 示例代码:DataFrame.dropna() 删除列
  4. 示例代码:DataFrame.dropna()how=all
  5. 示例代码:DataFrame.dropna() 与指定的子集或阈值
  6. 示例代码:DataFrame.dropna()inplace=True

pandas.DataFrame.dropna() 函数通过丢弃包含空值的行或列,从 DataFrame 中删除空值(缺失值)。

NaNNot a Number)和 NaTNot a Time)代表空值。DataFrame.dropna() 检测这些值并相应地过滤 DataFrame

pandas.DataFrame.dropna() 语法

DataFrame.dropna(axis, 
                 how, 
                 thresh, 
                 subset,
                 inplace) 

参数

axis 它决定轴是行还是列。
如果它是 0 或'index',那么它将删除包含缺失值的行。
如果它是 1 或'column',那么它将删除包含缺失值的列。默认情况下,它的值是 0
how 这个参数决定函数如何删除行或列。它只接受两个字符串,可以是 allany。默认情况下,它被设置为 any
any - 如果行或列中有任何空值,就会删除它。
all - 如果行或列中缺少所有值,则放弃该行或列
thresh 它是一个整数,指定了防止行或列丢失的非缺失值的最少数量
subset 它是一个数组,其中有行或列的名称,用于指定删除程序
inplace 它是一个布尔值,如果设置为 True,将就地改变调用者 DataFrame。默认情况下,它的值是 False

返回值

它根据传递的参数返回一个过滤后的 DataFrame,其中包含删除的行或列。

示例代码:DataFrame.dropna() 删除行

默认情况下,轴为 0,即行,所以所有的输出都有行掉。

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})
print(dataframe)

示例 DataFrame 如下。

   Attendance    Name  Obtained Marks
0        60.0  Olivia             NaN
1         NaN    John            75.0
2        80.0   Laura            82.0
3         NaN     Ben            64.0
4        95.0   Kevin             NaN

这个函数的所有参数都是可选的。如果我们不传递任何参数,那么函数将丢弃所有包含一个空值的行。

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})
dataframe1 = dataframe.dropna()
print(dataframe1)

输出:

   Attendance   Name  Obtained Marks
2        80.0  Laura            82.0

丢弃所有包含一个缺失值的行。

示例代码:DataFrame.dropna() 删除列

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})
dataframe1 = dataframe.dropna(axis=1)

print(dataframe1)

输出:

     Name
0  Olivia
1    John
2   Laura
3     Ben
4   Kevin

因为我们在 DataFrame.dropna() 方法中设置了 axis=1,所以它删除了所有包含一个缺失值的列。

示例代码:DataFrame.dropna()how=all

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})

dataframe1 = dataframe.dropna(axis=1, how = 'all')
print(dataframe1)

输出:

   Attendance    Name  Obtained Marks
0        60.0  Olivia             NaN
1         NaN    John            75.0
2        80.0   Laura            82.0
3         NaN     Ben            64.0
4        95.0   Kevin             NaN

包含缺失值的行没有被删除,因为 how 参数的值被设置为 all,这意味着该行的所有值都应该是空的。

如果在指定的轴上缺少所有的值,那么 DataFrame.dropna() 方法会丢弃该轴,即使 how 被设置为 all

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: None, 2: None, 3: None, 4: None}})

print(dataframe)
print('--------')
dataframe1 = dataframe.dropna(axis=1, how = 'all')
print(dataframe1)

输出:

   Attendance    Name Obtained Marks
0        60.0  Olivia           None
1         NaN    John           None
2        80.0   Laura           None
3         NaN     Ben           None
4        95.0   Kevin           None   Attendance    Name
0        60.0  Olivia
1         NaN    John
2        80.0   Laura
3         NaN     Ben
4        95.0   Kevin

示例代码:DataFrame.dropna() 与指定的子集或阈值

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})

dataframe1 = dataframe.dropna(thresh = 3)
print(dataframe1)

输出:

   Attendance   Name  Obtained Marks
2        80.0  Laura            82.0

thresh 的值是 3,这意味着为了防止掉落,至少需要 3 个非空值。

我们也可以指定 subset

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})

dataframe1 = dataframe.dropna(subset=['Attendance', 'Name'])
print(dataframe1)

输出:

   Attendance    Name  Obtained Marks
0        60.0  Olivia             NaN
2        80.0   Laura            82.0
4        95.0   Kevin             NaN

根据 AttendanceName 列,删除缺失值的行。如果只有其他列中的值比如这里的 Obtained Marks 列有缺失值,它就不会删除记录。

示例代码:DataFrame.dropna()inplace=True

DataFrame.dropna() 如果 inplace 被设置为 True,则调用者 DataFrame 就地改变。

import pandas as pd

dataframe=pd.DataFrame({'Attendance': {0: 60, 1: None, 2: 80,3: None, 4: 95},
                    'Name': {0: 'Olivia', 1: 'John', 2: 'Laura',3: 'Ben',4: 'Kevin'},
                    'Obtained Marks': {0: None, 1: 75, 2: 82, 3: 64, 4: None}})
dataframe1 = dataframe.dropna(inplace=True)
print(dataframe1)

输出:

None

该参数对调用者 DataFrame 进行了原地修改,返回 None

相关文章 - Pandas DataFrame

  • Pandas DataFrame DataFrame.isin() 函数
  • Pandas DataFrame DataFrame.sort_values() 函数
  • comments powered by Disqus