pandas由入门到精通-数据清洗-缺失值处理
pandas-02-数据清洗&预处理
- A.缺失值处理
- 1. Pandas缺失值判断
- 2. 缺失值过滤
- 2.1 Series.dropna()
- 2.2 DataFrame.dropna()
- 3. 缺失值填充
- 3.1 值填充
- 3.2 向前/向后填充
文中用S代指Series，用Df代指DataFrame
数据清洗是处理大型复杂情况数据必不可少的步骤，这里总结一些数据清洗的常用方法：包括缺失值、重复值、异常值处理，数据类型统计，分箱，随机采样，向量化编码等方法。每种方法都给出了代码和实例，并用表格进行总结。
A.缺失值处理
1. Pandas缺失值判断
- np.nan 会自动识别为NaN （not a number），认定为空值
- python中内置