本文详细介绍了使用Pandas进行数据清洗的过程，包括如何判断和处理缺失值，如通过info()、isnull()、notnull()、dropna()和fillna()等方法。同时，还探讨了重复值的发现与删除，利用duplicated()和drop_duplicates()函数进行处理。这些技巧在数据分析中至关重要。
1. 缺失值处理
1.1 判断缺失值
1、info()
2、isnull()，可与any()和all()结合使用
3、notnull()
导入数据：
使用info()可以查看每一列的相关信息，可以知道每一列有多少个非空数值。
使用isnull()判断空值，按列判断。
使用notnull()判断非空，按列判断。
1.2 丢弃缺失值
对于缺失值，可以丢弃处理（dropna）。
参数：
- how：指定丢弃缺失值的行为，默认是any（即有缺失值就删除），all。
- axis：指定丢弃行还是列，默认是axis = 0，丢弃行。
- thresh：设置当非空值达到多少个时，保留数据。
- inplace：是否就地修改。
导入数据：
扫一扫
1846
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
