跳转至

python | pandas data frame.note()

原文:https://www.geesforgeks.org/python-pandas-data frame-notna/

Python 是进行数据分析的优秀语言,主要是因为以数据为中心的 python 包的奇妙生态系统。 【熊猫】 就是其中一个包,让导入和分析数据变得容易多了。 熊猫数据框. notna() 功能检测数据框中现有的/非缺失的值。该函数返回一个布尔对象,该对象的大小与应用它的对象的大小相同,指示每个单独的值是否为 na 值。所有非缺失值都被映射为 true,缺失值被映射为 false。 注意:空字符串”或 numpy.inf 等字符不视为 NA 值。(除非你设置 pandas.options.mode.use_INF_as_na = True)。

语法: DataFrame.notna() 返回:data frame 中每个元素的布尔值掩码,指示某个元素是否不是安娜值

示例#1: 使用 notna()函数查找数据帧中所有未缺失的值。

蟒蛇 3

# importing pandas as pd
import pandas as pd

# Creating the first dataframe
df = pd.DataFrame({"A":[14, 4, 5, 4, 1],
                   "B":[5, 2, 54, 3, 2],
                   "C":[20, 20, 7, 3, 8],
                   "D":[14, 3, 6, 2, 6]})

# Print the dataframe
df

让我们使用 dataframe.notna()函数来查找 dataframe 中所有未丢失的值。

蟒蛇 3

# find non-na values
df.notna()

输出:

正如我们在输出中看到的,dataframe 中所有未丢失的值都被映射为 true。没有错误值,因为数据帧中没有缺失值。

示例#2: 当数据帧中有缺失值时,使用 notna()函数查找非缺失值。

蟒蛇 3

# importing pandas as pd
import pandas as pd

# Creating the dataframe
df = pd.DataFrame({"A":[12, 4, 5, None, 1],
                   "B":[7, 2, 54, 3, None],
                   "C":[20, 16, 11, 3, 8],
                   "D":[14, 3, None, 2, 6]})

# find non-missing values
df.notna()

输出:

正如我们在输出中看到的,具有 na 值的单元格被映射为假,所有具有非缺失值的单元格被映射为真。



回到顶部