在 Pandas 中，NaN 是指 Not a Number，代表缺失值或无效值。检查 Pandas 数据框架中的 NaN 是数据预处理中重要的一步。下面介绍如何进行完整的 NaN 检查：
可以使用 isnull() 或 isna() 函数查看数据框架中缺失值的情况。这两个函数的作用相同，都返回一个布尔型数组，表示数据框架中缺失值的位置。
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2, np.nan], 'B': [4, np.nan, np.nan], 'C': [7, 8, 9]})
print(df.isnull())
print(df.isna())
输出结果：
A B C
0 False False False
1 False True False
2 True True False
A B C
0 False False False
1 False True False
2 True True False
从上面的结果可以看出，df.isnull() 和 df.isna() 返回了一个与原始数据框架维度相同的数据框架，其中缺失值的位置为 True，非缺失值的位置为 False。
可以使用 isnull().sum() 或 isna().sum() 函数统计缺失值的数量。这两个函数的作用相同，均返回每列中缺失值的数量。
print(df.isnull().sum())
print(df.isna().sum())
输出结果：
A 1
B 2
C 0
dtype: int64
A 1
B 2
C 0
dtype: int64
从上面的结果可以看出，在 df 中，A 列有 1 个缺失值，B 列有 2 个缺失值，C 列没有缺失值。
可以使用 count() 函数统计数据框架中非缺失值的数量。
print(df.count())
输出结果：
A 2
B 1
C 3
dtype: int64
从上面的结果可以看出，在 df 中，A 列有 2 个非缺失值，B 列有 1 个非缺失值，C 列有 3 个非缺失值。
可以使用 dropna() 函数删除数据框架中的缺失值。该函数返回一个新的数据框架，其中缺失值所在的行或列被删除。
print(df.dropna()) # 删除含缺失值的行
print(df.dropna(axis=1)) # 删除含缺失值的列
输出结果：
A B C
0 1.0 4.0 7
C
0 7
1 8
2 9
从上面的结果可以看出，df.dropna() 删除了第二行，包含缺失值的列被全部删除；df.dropna(axis=1) 删除了 B 列和 C 列，因为它们都含有缺失值。
以上就是关于检查 Pandas 数据框架中的 NaN 的完整攻略和实例说明。
本文链接：http://task.lmcjl.com/news/14509.html