首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Pandas: print if not NaN (列)

Pandas是一个开源的数据分析和数据处理工具,它提供了强大的数据结构和数据分析功能,特别适用于处理和分析大型数据集。

在Pandas中,可以使用isna()函数来判断数据是否为NaN(缺失值),然后通过逻辑取反操作(~)来筛选出非NaN的数据。最后,使用print()函数将筛选后的数据打印出来。

以下是一个示例代码:

代码语言:txt
复制
import pandas as pd

# 创建一个包含NaN的DataFrame
data = {'A': [1, 2, float('nan'), 4, 5],
        'B': [float('nan'), 2, 3, 4, 5]}
df = pd.DataFrame(data)

# 打印非NaN的数据
print(df[~df.isna()])

这段代码将打印出所有非NaN的数据行,结果如下:

代码语言:txt
复制
   A    B
0  1  NaN
1  2  2.0
3  4  4.0
4  5  5.0

这里使用了~df.isna()来筛选非NaN的数据,~表示逻辑取反操作。

Pandas的优势在于它提供了丰富的数据操作和处理功能,可以轻松地进行数据清洗、转换、分析和可视化。它还具有高效的数据结构,如Series和DataFrame,以及灵活的索引和标签功能,使得数据处理更加方便和直观。

Pandas在数据分析、机器学习、金融等领域都有广泛的应用场景。例如,可以使用Pandas来处理和分析大型数据集,进行数据清洗和预处理,计算统计指标,绘制数据可视化图表等。

腾讯云提供了云服务器、云数据库、云存储等多个产品,可以满足云计算的各种需求。具体推荐的腾讯云产品和产品介绍链接地址可以参考腾讯云官方网站:https://cloud.tencent.com/

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • pandas基础:重命名pandas数据框架

    标签:Python与Excel,pandas 重命名pandas数据框架列有很多原因。例如,可能希望列名更具描述性,或者可能希望缩短名称。本文将介绍如何更改数据框架中的名称。...准备用于演示的数据框架 pandas库提供了一种从网页读取数据的便捷方式,因此我们将从百度百科——世界500强公司名单——加载一个表格。 图1 看起来总共有6。下面单独列出了这个表的。...我们只剩下以下几列: 图5 我认为有些名字太啰嗦,所以将重命名以下名称: 最新排名->排名 总部所在国家->国家 就像pandas中的大多数内容一样,有几种方法可以重命名列。...我们可以使用这种方法重命名索引(行)或,我们需要告诉pandas我们正在更改什么(即或行),这样就不会产生混淆。还需要在更改前后告诉pandas列名,这提高了可读性。...例如,你的表可能有100,而只更改其中的3。唯一的缺点是,在名称更改之前,必须知道原始列名。 .set_axis()或df.columns,当你的表没有太多时,因为必须为每一指定一个新名称!

    1.9K30

    Pandas 查找,丢弃值唯一的

    前言 数据清洗很重要,本文演示如何使用 Python Pandas 来查找和丢弃 DataFrame 中值唯一的,简言之,就是某的数值除空值外,全都是一样的,比如:全0,全1,或者全部都是一样的字符串如...:已支付,已支付,已支付… 这些大多形同虚设,所以当数据集很多而导致人眼难以查找时,这个方法尤为好用。...上代码前先上个坑吧,数据中的空值 NaN 也会被 Pandas 认为是一种 “ 值 ”,如下图: 所以只要把的缺失值先丢弃,再统计该的唯一值的个数即可。...代码实现 数据读入 检测值唯一的所有并丢弃 最后总结一下,Pandas 在数据清洗方面有非常多实用的操作,很多时候我们想不到只是因为没有接触过类似的案例或者不知道怎么转换语言描述,比如 “...值唯一 ” --> “ 除了空值以外的唯一值的个数等于1 ” ,许多坑笔者都已经踩过了,欢迎查看我的其余文章,提建议,共同进步。

    5.7K21

    Pandas基础:在Pandas数据框架中移动

    标签:pandas,Python 有时候,我们需要在pandas数据框架内移动一,shift()方法提供了一种方便的方法来实现。...在pandas数据框架中向上/向下移动 要向下移动,将periods设置为正数。要向上移动,将其设置为负数。 注意,只有数据发生了移位,而索引保持不变。...数据移动了,现在有两个空行,由np.nan值自动填充。 对时间序列数据移动 当处理时间序列数据时,可以通过包含freq参数来改变一切,包括索引和数据。...默认情况下,axis=0,这意味着移动行(向上或向下);设置axis=1将使向左或向右移动。 在下面的示例中,将所有数据向右移动了1。因此,第一变为空,由np.nan自动填充。...如果不需要NaN值,还可以使用fill_value参数填充空行/空

    3.2K20

    Pandas基础:方向分组变形

    小小明:「凹凸数据」专栏作者,Pandas数据处理高手,致力于帮助无数数据从业者解决数据处理难题。 刚才碰到一个非常简单的需求: ? 但是我发现大部分人在做这个题的时候,代码写的异常复杂。...首先读取数据: import pandas as pd df = pd.read_excel("练习.xlsx", index_col=0) df 结果: ?...为了后续处理方便,我将不需要参与分组的第一事先设置为索引。 groupby分组相信大部分读者都使用过,但一直都是按行分组,不过groupby不仅可以按行分组,还可以按进行分组。...可以看到,非常简单,仅8行以内的代码已经解决这个问题,剩下的只需在保存到excel时设置一下单元格格式即可,具体设置方法可以参考:Pandas指定样式保存excel数据的N种姿势 简单讲解一下吧: df.columns.str...split.reset_index(inplace=True) 表示还原索引为普通的。 split["年份"] = year 将年份添加到后面单独的一

    1.4K20

    Pandas实现一数据分隔为两

    import pandas as pd df = pd.DataFrame({'AB': ['A1-B1', 'A2-B2']}) df AB 0 A1-B1 1 A2-B2...每包含列表的相应元素 下面来看下如何从:分割成一个包含两个元素列表的至分割成两,每包含列表的相应元素。..., B1] A1 B1 1 A2-B2 [A2, B2] A2 B2 补充知识:pandas某一中每一行拆分成多行的方法 在处理数据过程中,常会遇到将一条数据拆分成多条,比如一个人的地址信息中,可能有多条地址...在pandas中如何对DataFrame进行相关操作呢,经查阅相关资料,发现了一个简单的办法, info.drop([‘city’], axis=1).join(info[‘city’].str.split...以上这篇Pandas实现一数据分隔为两就是小编分享给大家的全部内容了,希望能给大家一个参考。

    6.9K10

    Python中的DataFrame模块学

    (df)   n = np.array(df)   print(n)   DataFrame增加一数据   import pandas as pd   import numpy as np   data...= pd.DataFrame()   data['ID'] = range(0,10)   print(np.shape(data)) # (10,1)   DataFrame增加一数据,且值相同...异常处理   过滤所有包含NaN的行   dropna()函数的参数配置参考官网pandas.DataFrame.dropna   from numpy import nan as NaN   import...pandas as pd   data = pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]])   print (data)   #...  # how: 'any'表示行或只要含有NaN就去除,'all'表示行或全都含有NaN才去除   # thresh: 整数n,表示每行或中至少有n个元素补位NaN,否则去除   # subset

    2.4K10

    Python可视化数据分析05、Pandas数据分析

    (frame2) 操作DataFrame对象中 在DataFrame对象中使用columns属性获取所有的,并显示所有的名称 DataFrame对象的每竖列都是一个Series对象 from...(frame3.columns) print(frame3["name"]) frame3["dept"] = 90 # 统一给frame3对象的dept赋值 print(frame3) dept...属性会以二维Ndarray的形式返回DataFrame中的数据 如果DataFrame各的数据类型不同,则值数组的数据类型就会选用能兼容所有的数据 from pandas import Series...6, 5, 3]}) print(frame.sort_values(by="b")) # 对"b"这一进行升序排列 print(frame.sort_values(by=["a", "b"]))...], "b": [4, -3, 7, np.nan]}) # 按进行求和 print(frame.sum()) # 按行进行求和 print(frame.sum(axis=1)) 数据消重、频率统计和数据包含判断

    2.5K20
    领券