Python中处理缺失值的2种方法

人生苦短，快学Python！

在上一篇文章中，我们分享了Python中查询缺失值的4种方法。查找到了缺失值，下一步便是对这些缺失值进行处理，今天同样会分享多个方法！

删除-dropna

第一种处理缺失值的方法就是删除，dropna()方法的参数如下所示。

df.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)

参数说明：

• axis：选择删除行还是列，axis=0（默认）表示操作行，axis=1表示操作列。
• how：与参数axis配合使用，可选的值为any（默认）或者all。
• thresh：axis中至少有N个非缺失值，否则删除。
• subset：参数类型为列表，表示删除时只考虑的索引或列名。
• inplace：是否在原数据上操作。

在交互式环境中输入如下命令：

df.dropna(axis=0)

输出：

how参数中，any表示一行/列有任意元素为空时即丢弃，all表示一行/列所有值都为空时才丢弃。在上一行代码中，未设置how参数，则默认为any。

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

输出：

thresh参数中，比如thresh=3，如果该行中非缺失值的数量小于3，将删除该行。

df.dropna(axis=0, how="any", thresh=3)

输出：

只考虑"C列", "D列"，在交互式环境中输入如下命令：

df.dropna(axis=0, how="any", subset=["C列", "D列"])

输出：

填充-fillna

除了使用dropna()方法直接粗暴地删除缺失值，还可以使用fillna()填充缺失值。其参数如下所示。

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

参数说明：

• value：表示填充的值，可以是一个指定值，也可以是字典。
• method: 填充的方式，默认为None。
• axis：与method参数搭配使用，axis=0表示按行，axis=1表示按列。
• inplace：是否在原数据上操作。
• limit：表示填充执行的次数。如果是按行填充，则填充一行表示执行一次，按列同理。

在交互式环境中输入如下命令：

df.fillna(value=0)

输出：

在参数method中，ffill（或pad）代表用缺失值的前一个值填充；backfill（或bfill）代表用缺失值的后一个值填充。由于axis默认为0，所以这里的前后值即为上/下一行的值，如果想要使用左右值来填充，则设置axis=1。

df.fillna(axis=0, method="ffill")

输出：

参数limit表示填充执行的次数，这里我们赋值为1，则代表仅按行填充1次。

df.fillna(axis=0, method="ffill", limit=1)

输出：

此外，还有一些不太常用的方法。比如除了通过fillna方法来填充缺失值外，还可以通过interpolate方法来填充。默认情况下使用线性差值，可以设置method参数来改变方式。 也可以通过字符串的replace()方法来替换缺失值。本来这部分想作为第三种方法介绍，写完发现有点“听君一席话，好似庄周带净化”，干脆作为小贴士吧。

人生苦短，快学Python！

今天我们分享了Python中处理缺失值的2种方法，觉得不错的同学给右下角点个在看吧，建议搭配前文Python中查询缺失值的4种方法一起阅读。