这篇文章主要介绍了pandas 空数据处理方法详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

方法一：直接删除

1.查看行或列是否有空格（以下的df为DataFrame类型，axis=0,代表列，axis=1代表行，以下的返回值都是行或列索引加上布尔值）

isnull方法

查看行：df.isnull().any(axis=1)

查看列：df.isnull().any(axis=0)

notnull方法：

查看行：df.notnull().all(axis=1)

查看列：df.notnull().all(axis=0)

例子：

df.isnull().any(axis=1) # 检测行内是否有空值
0 False
1 True
2 False
3 True
4 False
5 True
6 False
7 True
8 False
9 False
dtype: bool

注意点：以上方法都可以用~取反的办法获取相反的结果

2.在1的前提下使用df.loc[]，可取出1中筛选出数据的具体数据如：

df.loc[df.isnull().any(axis=1)]

取出这几行的索引可用属性index如:df.loc[df.isnull().any(axis=1)].index

得到这些索引后可以使用drop方法进行删除如：

注意：drop方法中的axis值与其他方法相反，axis=0表示行，=1表示列。

df.drop(labels=drop_index, axis=0)

总结下来为4步：

一.使用isnull或notnull筛选：df.isnull().any(axis=0)

二.使用loc取出具体数据：df.loc[df.isnull().any(axis=1)]

三：取出这些数据的索引：df.loc[df.isnull().any(axis=1)].index

四.使用drop删除：df.drop(labels=drop_index, axis=0)

方法二：填充空值

步骤和方法一前几步相同

isnull()

notnull()

dropna(): 过滤丢失数据（df.dropna() 可以选择过滤的是行还是列（默认为行）:axis中0表示行，1表示的列）

fillna(): 填充丢失数据（可以选择自主添加数据，或者用表中原有的数据进行补充）

1.使用dropna(不常用)：df.dropna(axis=0)

2.使用fillna(常用)：

一.df.fillna(value=666)给所有的控制赋值为666

二.df.fillna(method='ffill', axis=0) # axis=0表示在垂直方向填充(axis值：0为垂直，1为水平),使用上方的值对空值进行填充，组合起来就是，使用垂直方向上方的值对当前位置的值进行填充

三.df.fillna(method='bfill', axis=1) # axis=1表示在水平方向填充(axis值为0垂直1为水平),bfill表示使用后面的值对空值进行填充，组合起来就是，使用水平方向右边的值对当前位置的值进行填充

总结：ffill（前）和bfill（后）决定前或后，axis决定垂直或水平

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。