本文小编为大家详细介绍“Python的pandas怎么使用”，内容详细，步骤清晰，细节处理妥当，希望这篇“Python的pandas怎么使用”文章能帮助大家解决疑惑，下面跟着小编的思路慢慢深入，一起来学习新知识吧。

一、isnull()

isnull() 用来找出缺失值的位置，返回一个布尔类型的掩码标记缺失值，下面是案例：

importpandasaspd

importnumpyasnp

data=pd.DataFrame({'name':['W3CSCHOOL',np.nan,'JAVA','PYTHON'],'age':[18,np.nan,99,None]})

data

执行以上代码得到数据如下：

name age

0 W3CSCHOOL 18.0

1 NaN NaN

2 JAVA 99.0

3 PYTHON NaN

这里我们可以看到不管我们创建DataFrame时控制用的是np.nan还是None，创建后都会变成NaN。

data.isnull()

nameage

0FalseFalse

1TrueTrue

2FalseFalse

3FalseTrue

二、notnull()

notnull()与isnull()正好相反，是找出非空值并用布尔值进行标记，下面是例子：

data.notnull()

nameage

0TrueTrue

1FalseFalse

2TrueTrue

3TrueFalse

三、dropna()

dropna()就是字面意思，丢掉缺失值。

DataFrame.dropna(axis=0,how=‘any’,thresh=None,subset=None,inplace=False)

参数：

axis：默认为 0，表示删除行还是列，也可以用“index”和“columns”表示；

how：{‘any’, ‘all’}, 默认为 ‘any’；any 表示只要该行（列）出现空值就删除整行（列），all 表示整行（列）都出现空值才会删除整行（列）；

thresh：表示删除非空值小于 thresh 个数时删除；

subset：列表类型，表示哪些列里有空值才删除行或列；

inplace：与其他函数的 inplace 一样，表示是否覆盖原 DataFrame。

下面是例子：

data.dropna(axis=1,thresh=3)

name

0 W3CSCHOOL

1NaN

2 JAVA

3 PYTHON

data.dropna(axis=0,how='all')

nameage

0 W3CSCHOOL 18.0

2 JAVA 21.0

3 PYTHON NaN

data.dropna(subset=['name'])

nameage

0 W3CSCHOOL 18.0

2 JAVA 21.0

3 PYTHON NaN

四、fillna()

fillna()的作用是填充缺失值

DataFrame.fillna(value=None,method=None,axis=None,inplace=False,limit=None,downcast=None)

参数：

value：设置用于填充 DataFrame 的值

method：默认为 None；设置填充 DataFrame 的方法有：‘backfill’, ‘bfill’, - ‘pad’, ‘ffill’四种，其中‘backfill’和 ‘bfill’是用前面的值填充空缺值，‘pad’和 ‘ffill’是用后面的值填充空缺值

axis：填充缺失值所沿的轴，与上文的 axis 设置方法一样

inplace：是否替换原 DataFrame，与上文的设置方法一样

limit：设置被替换值的数量限制

downcast：表示向下兼容转换类型，不常用

下面是例子：

data.fillna(0)

nameage

0 W3CSCHOOL 18.0

100.0

2 JAVA 21.0

3 PYTHON 0.0

data.fillna(method='ffill')

nameage

0 W3CSCHOOL 18.0

1 W3CSCHOOL 18.0

2 JAVA 21.0

3 PYTHON 21.0

读到这里，这篇“Python的pandas怎么使用”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，欢迎关注亿速云行业资讯频道。