Pandas是Python数据科学的核心库，其提供了大量实用的函数和方法来处理数据。当处理数据时，常常会遇到一些缺失数据，因此需要用到pd.dropna()函数来过滤掉缺失数据。
pd.dropna()函数的用法DataFrame.dropna(
axis=0,
how='any',
thresh=None,
subset=None,
inplace=False
)
axis：指定删除行（行索引为 axis=0）还是删除列（列索引为 axis=1）的缺失数据，默认为删除行。how：指定删除方式，可选参数包括 any 和 all。参数 any 表示只要存在任意一个缺失值，就删除整行或整列。参数 all 表示只有当整行或整列的所有元素都是缺失值时，才进行删除。thresh：指定非缺失数据的最小数量。如果一个行或列中非缺失值小于 thresh，则该行或列将被删除。subset：指定删除时要考虑的列或行子集。可以是列或行标签列表、表示切片的元组或单个标签/索引。inplace：是否直接在原数据集上进行修改。默认为 False。现假设我们有一份包含缺失数据的数据集，如下所示：
import pandas as pd
data = {
'姓名': ['张三', '李四', '王五', '赵六', '钱七'],
'性别': ['男', '女', '男', None, '男'],
'年龄': [18, 25, None, 32, 41],
'身高': [170, 160, 175, None, 180],
'体重': [60, None, None, 75, 70]
}
df = pd.DataFrame(data)
print(df)
输出结果如下：
姓名 性别 年龄 身高 体重
0 张三 男 18.0 170.0 60.0
1 李四 女 25.0 160.0 NaN
2 王五 男 NaN 175.0 NaN
3 赵六 None 32.0 NaN 75.0
4 钱七 男 41.0 180.0 70.0
删除含有缺失数据的行，可以使用 how='any' 表示只要存在任意一个缺失值，就删除：
df.dropna(how='any', inplace=True)
print(df)
输出结果如下：
姓名 性别 年龄 身高 体重
0 张三 男 18.0 170.0 60.0
4 钱七 男 41.0 180.0 70.0
删除缺失值数量大于等于2的行，可以使用 thresh 参数指定要删除的缺失值数量：
df.dropna(thresh=3, inplace=True)
print(df)
输出结果如下：
姓名 性别 年龄 身高 体重
0 张三 男 18.0 170.0 60.0
1 李四 女 25.0 160.0 NaN
4 钱七 男 41.0 180.0 70.0
上述示例只是部分使用 pd.dropna() 函数的场景，实际上，该函数可以在数据清洗和预处理过程中大显身手。
本文链接：http://task.lmcjl.com/news/17579.html