1. 參數(shù)解析

1.1 inplace參數(shù)

取值：True、False

True：直接修改原對(duì)象

False：創(chuàng)建一個(gè)副本，修改副本，原對(duì)象不變（缺省默認(rèn)）

1.2 method參數(shù)

取值 ： {‘pad’, ‘ffill’,‘backfill’, ‘bfill’, None}, default None

pad/ffill：用前一個(gè)非缺失值去填充該缺失值

backfill/bfill：用下一個(gè)非缺失值填充該缺失值

None：指定一個(gè)值去替換缺失值（缺省默認(rèn)這種方式）

1.3 limit參數(shù)：

限制填充個(gè)數(shù)

1.4 axis參數(shù)

修改填充方向

補(bǔ)充

isnull 和 notnull 函數(shù)用于判斷是否有缺失值數(shù)據(jù)

• isnull：缺失值為T(mén)rue，非缺失值為False
• notnull：缺失值為False，非缺失值為T(mén)rue

2. 代碼實(shí)例

#導(dǎo)包
import pandas as pd
import numpy as np
from numpy import nan as NaN
df1=pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])
df1

代碼結(jié)果：

     0    1    2
0  1.0  2.0  3.0
1  NaN  NaN  2.0
2  NaN  NaN  NaN
3  8.0  8.0  NaN

2.1 常數(shù)填充

2.1.1 用常數(shù)填充

#1.用常數(shù)填充
print (df1.fillna(100))
print ("-----------------------")
print (df1)

運(yùn)行結(jié)果：

       0      1      2
0    1.0    2.0    3.0
1  100.0  100.0    2.0
2  100.0  100.0  100.0
3    8.0    8.0  100.0
-----------------------
     0    1    2
0  1.0  2.0  3.0
1  NaN  NaN  2.0
2  NaN  NaN  NaN
3  8.0  8.0  NaN

2.1.2 用字典填充

第key列的NaN用key對(duì)應(yīng)的value值填充

df1.fillna({0:10,1:20,2:30})

運(yùn)行結(jié)果：

      0     1     2
0   1.0   2.0   3.0
1  10.0  20.0   2.0
2  10.0  20.0  30.0
3   8.0   8.0  30.0

2.2 使用inplace參數(shù)

print (df1.fillna(0,inplace=True))
print ("-------------------------")
print (df1)

運(yùn)行結(jié)果：

在這里插入代碼片

2.3 使用method參數(shù)

1.method = 'ffill'/'pad'：用前一個(gè)非缺失值去填充該缺失值

df2 = pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3] = None
df2.iloc[2:4,4] = None
print(df2)
print ("-------------------------")
print(df2.fillna(method='ffill'))

運(yùn)行結(jié)果：

   0  1  2    3    4
0  8  4  4  5.0  6.0
1  5  2  8  NaN  7.0
2  6  3  1  NaN  NaN
3  5  4  9  NaN  NaN
4  6  5  4  6.0  9.0
-------------------------
   0  1  2    3    4
0  8  4  4  5.0  6.0
1  5  2  8  5.0  7.0
2  6  3  1  5.0  7.0
3  5  4  9  5.0  7.0
4  6  5  4  6.0  9.0

2.method = ‘bflii’/‘backfill’：用下一個(gè)非缺失值填充該缺失值

df2 = pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3] = None
df2.iloc[2:4,4] = None
print(df2)
print ("-------------------------")
print(df2.fillna(method='bfill'))

運(yùn)行結(jié)果：

   0  1  2    3    4
0  1  0  4  1.0  3.0
1  4  6  4  NaN  2.0
2  4  9  2  NaN  NaN
3  9  7  3  NaN  NaN
4  6  1  3  5.0  5.0
-------------------------
   0  1  2    3    4
0  1  0  4  1.0  3.0
1  4  6  4  5.0  2.0
2  4  9  2  5.0  5.0
3  9  7  3  5.0  5.0
4  6  1  3  5.0  5.0

2.4 使用limit參數(shù)

用下一個(gè)非缺失值填充該缺失值且每列只填充2個(gè)

df2 = pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3] = None
df2.iloc[2:4,4] = None
print(df2)
print ("-------------------------")
print(df2.fillna(method='bfill', limit=2))

運(yùn)行結(jié)果：

   0  1  2    3    4
0  2  0  4  4.0  0.0
1  7  9  9  NaN  1.0
2  1  7  3  NaN  NaN
3  8  5  8  NaN  NaN
4  8  6  2  4.0  4.0
-------------------------
   0  1  2    3    4
0  2  0  4  4.0  0.0
1  7  9  9  NaN  1.0
2  1  7  3  4.0  4.0
3  8  5  8  4.0  4.0
4  8  6  2  4.0  4.0

2.5 使用axis參數(shù)

axis=0 對(duì)每列數(shù)據(jù)進(jìn)行操作

axis=1 對(duì)每行數(shù)據(jù)進(jìn)行操作

df2 = pd.DataFrame(np.random.randint(0,10,(5,5)))
df2.iloc[1:4,3] = None
df2.iloc[2:4,4] = None
print(df2.fillna(method="ffill", limit=1, axis=1))

運(yùn)行結(jié)果：

    0    1    2    3    4
0  0.0  4.0  9.0  7.0  2.0
1  6.0  5.0  0.0  0.0  3.0
2  8.0  8.0  8.0  8.0  NaN
3  5.0  5.0  6.0  6.0  NaN
4  7.0  5.0  7.0  4.0  1.0

還有一些pandas的基礎(chǔ)運(yùn)算請(qǐng)參考這篇文章->pandas | DataFrame基礎(chǔ)運(yùn)算以及空值填充

總結(jié)

到此這篇關(guān)于pandas使用fillna函數(shù)填充N(xiāo)aN值的文章就介紹到這了,更多相關(guān)pandas用fillna填充N(xiāo)aN值內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論