Python数据清洗：np.mean(df[col].isnull())的运行机制解析

在Python数据清洗项目中，我遇到了如下代码：

# let's see if there is any missing data

for col in df.columns:
    pct_missing = np.mean(df[col].isnull())
    print('{} - {}%'.format(col, round(pct_missing,2)))

这段代码可正常输出DataFrame各列的空值占比，但我对其运行机制存在疑惑：遍历DataFrame的每一列后，np.mean(df[col].isnull())计算的究竟是什么？是各列中空值单元格数量的均值吗？

作为参考，我自己用以下代码实现了相同效果：

NullValues=df.isnull().sum()/len(df)
print('{} - {}%'.format(col, round(NullValues,2)))

两者结果基本一致，我想理解第一段代码的运行机制。

代码运行机制解析 #

第一段代码的分步逻辑 #

1. df[col].isnull()：针对当前列的每个单元格做空值判断，空值返回布尔值True，非空返回False。在Python的数值计算语境中，True会被当作1处理，False会被当作0处理，所以这一步会生成一个由0和1组成的Series，其中1对应空值位置。
2. np.mean()：计算上述Series的平均值。由于平均值的计算公式是「总和 ÷ 元素数量」，这里的总和就是该列的空值总数，元素数量就是该列的总行数，所以最终得到的就是该列空值占总单元格数的比例，和你写的代码逻辑完全等价。

两种代码的逻辑等价性 #

你的代码是先通过df.isnull().sum()统计每列的空值总数，再除以总行数len(df)得到占比，属于「先求和再求比例」的思路；而第一段代码是把空值标记为1后直接求均值，本质上均值的计算就是「总和 ÷ 数量」，所以两者的计算结果完全一致。

内容的提问来源于stack exchange，提问作者S. R.