pandas删除缺失值所在行 Python_pandas中DataFrame.d

pandas删除缺失值所在行 Python?pandas中DataFrame.d

前言

在 Pandas 中，DataFrame.dropna()用于删除缺失值（NaN 或 None），是数据清洗的关键操作。下面内容是详细用法和常见场景：

1. 基本语法

cleaned_df = df.dropna( axis=0, 删除行（默认）或列（axis=1） how=’any’, ‘any’（默认，存在缺失即删除）或 ‘all’（全为缺失才删除） thresh=None, 保留非缺失值数量≥thresh的行/列 subset=None, 仅检查指定列的缺失情况 inplace=False 是否原地修改（False时返回新DataFrame）)

2. 核心参数详解

参数	说明	示例
axis	`0`或`&039;index&039;`：删除包含缺失值的行（默认） `1`或`&039;columns&039;`：删除列	`df.dropna(axis=1)`
how	`&039;any&039;`：行/列中任一缺失即删除 `&039;all&039;`：行/列全部缺失才删除	`df.dropna(how=&039;all&039;)`
thresh	保留至少含`thresh`个非缺失值的行/列（优先级高于`how`）	`df.dropna(thresh=3)`
subset	仅对指定列（列表形式）检查缺失值	`df.dropna(subset=[&039;Age&039;, &039;Salary&039;])`
inplace	`True`：直接修改原DataFrame，不返回新对象 `False`：返回新DataFrame（默认）	`df.dropna(inplace=True)`

3. 常见使用场景

(1) 删除所有含缺失值的行（默认行为）

import pandas as pdimport numpy as npdf = pd.DataFrame( ‘A’: [1, np.nan, 3], ‘B’: [‘x’, np.nan, ‘z’], ‘C’: [10, 20, 30]})cleaned_df = df.dropna()print(cleaned_df)

输出：

A B C
0 1.0 x 10
2 3.0 z 30

(2) 删除所有含缺失值的列

cleaned_df = df.dropna(axis=1)print(cleaned_df)

输出：

C
0 10
1 20
2 30

(3) 仅当整行全为缺失值时删除

cleaned_df = df.dropna(how=’all’)

(4) 保留至少2个非缺失值的行

cleaned_df = df.dropna(thresh=2)

(5) 仅检查特定列的缺失值

cleaned_df = df.dropna(subset=[‘A’, ‘B’])

4. 注意事项

缺失值类型：Pandas 将None和np.nan均视为缺失值。
性能优化：对大型DataFrame，thresh比how更高效。
替代方案：若不想删除数据，可用df.fillna()填充缺失值。

5. 可视化对比

原始数据 (df)：

A	B	C
1.0	‘x’	10
NaN	NaN	20
3.0	‘z’	30

执行df.dropna()后：

A	B	C
1.0	‘x’	10
3.0	‘z’	30

通过灵活组合参数，dropna()可以精准控制数据清洗的粒度，是处理缺失值的利器！

拓展资料

到此这篇关于Python pandas中DataFrame.dropna()删除缺失值用法的文章就介绍到这了,更多相关pandas DataFrame.dropna()删除缺失值内容请搜索风君子博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持风君子博客！

无论兄弟们可能感兴趣的文章:

python 检查数据中是否有缺失值,删除缺失值的方式
Python?Pandas中缺失值NaN的判断,删除及替换
pandas || df.dropna() 缺失值删除操作
Python?数据清洗删除缺失值替换缺失值详情
Pandas缺失值删除df.dropna()的使用
Python?Pandas删除替换并提取其中的缺失值NaN(dropna,fillna,isnull)

目录

前言