在数据挖掘过程中，经常会遇到数据缺失或者空值的情况。如果不进行处理，这些数据将会影响到后续数据分析的结果。本文将介绍一些常见的DataFrame中的空值处理方法。
在DataFrame中，空值通常包含np.nan或者Python内置的None。我们可以使用isnull()方法来查看DataFrame中是否有空值：
import pandas as pd
df = pd.DataFrame({"A":[1,2,None], "B":[4,None,6], "C":[None,8,9]})
print(df.isnull())
输出结果如下：
A B C
0 False False True
1 False True False
2 True False False
从结果中可以看出，DataFrame中有几个空值。
删除空值是一种常见的处理方法。Pandas提供了dropna()方法删除DataFrame中的空值：
import pandas as pd
df = pd.DataFrame({"A":[1,2,None], "B":[4,None,6], "C":[None,8,9]})
df = df.dropna()
print(df)
此时，输出结果是：
A B C
0 1.0 4.0 8
可以看出，删除空白值后，只留下了一行数据。
删除空值可能会导致数据丢失过多，有时候不得不考虑填补空值。我们可以使用fillna()方法填补空值，在填补空值前，我们需要先判断空置出现的列，再针对每一列进行填充操作。
import pandas as pd
import numpy as np
df = pd.DataFrame({"A":[1,2,None], "B":[4,None,6], "C":[None,8,9]})
# 判断空值出现的列
null_columns = df.columns[df.isnull().sum() > 0]
# 分别填充空值
for column in null_columns:
df[column].fillna(value=df[column].mean(), inplace=True)
print(df)
输出结果如下：
A B C
0 1.0 4.0 8.5
1 2.0 5.0 8.0
2 1.5 6.0 9.0
在这个例子中，我们使用平均值来填补空值。注意到这里我们使用inplace=True使得填充方法直接修改DataFrame中的数据。
本文介绍了DataFrame中的空值处理，包括查找空值、删除空值和填补空值。一般来讲，删除空值是最简单的方法，但是可能会导致数据丢失过多。填补空值是更好的处理方法，但是需要根据具体情况下处理，如用平均值填补空值。
本文链接：http://task.lmcjl.com/news/17518.html