数据质量-缺失值（Pandas）

缺失值是数据分析中经常遇到的问题，需要正确地处理以避免对分析结果产生负面影响。在 Pandas 中可以使用以下方法来处理缺失值：

1. isna() 和 isnull() 方法：用于检测缺失值。 示例代码：

import pandas as pd import numpy as np

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [3, np.nan, 5]}) print(df.isna()) print(df.isnull())

输出结果：

   A      B

0 False False 1 False True 2 True False

   A      B

0 False False 1 False True 2 True False

2. fillna() 方法：用于填充缺失值。 示例代码：

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [3, np.nan, 5]}) print(df.fillna(0))

输出结果：

 A    B

0 1.0 3.0 1 2.0 0.0 2 0.0 5.0

3. dropna() 方法：用于删除缺失值所在的行或列。 示例代码：

df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [3, np.nan, 5]}) print(df.dropna())

输出结果：

 A    B

0 1.0 3.0

通过这些方法，我们可以有效地处理缺失值，保证数据分析的准确性和可靠性。