Pandas对DataFrame的缺失值进行NA处理并总结4种方法

数据清洗作为一项既复杂又耗时的任务，在整个数据分析流程中占据着至关重要的地位。有人指出，一个完整的分析项目中，多达80%的时间都耗费在数据清洗环节，这一说法初听或许令人难以置信，但在实际操作过程中却确实存在。

数据清洗的核心目标包含两个方面：其一是确保数据具备可使用性；其二是使数据更加契合后续的分析需求。换句话说，不仅“脏”数据需要处理，即便是看似完整的数据也需经过清洗步骤。本文将介绍几种利用Python对DataFrame中缺失值进行处理的简易方法。

目录

1. 相关函数

2. 删除缺失值：dropna函数

3. 替换缺失值：fillna函数

4. 判断缺失值：isna函数

5. 判断缺失值：notna函数

---

1. 相关函数

剔除数据集中的空缺项：df.dropna()

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html

对空缺数据进行补充操作：df.fillna()

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html

检测数据中的缺失情况：df.isna()