programming python

Làm cách nào để bạn chọn các hàng không có giá trị NULL trong Python?

Bạn có thể lọc ra các hàng có giá trị NAN từ chuỗi cột pandas DataFrame, float, datetime e. t. c bằng cách sử dụng phương pháp


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

5 và


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

6. Python không hỗ trợ Null do đó mọi dữ liệu bị thiếu được biểu thị là Không có hoặc NaN. NaN là viết tắt của


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

7 và là một trong những cách phổ biến để biểu thị giá trị còn thiếu trong dữ liệu

Trong bài viết này, tôi sẽ giải thích cách lọc ra các hàng có giá trị NAN từ cột DataFrame của gấu trúc với một số ví dụ

1. Ví dụ nhanh Lọc ra hàng NAN từ DataSelection của cột

Nếu bạn đang vội, dưới đây là một số ví dụ nhanh về cách bỏ qua các hàng có NAN từ pandas DataFrame


# Below are some Quick examples.

# Using DataFrame.dropna[] method drop all rows that have NAN/none.
df2=df.dropna[]

# Filter out NAN data selection column by DataFrame.dropna[].
df2 = df.dropna[thresh=2]

# Pandas find columns with nan to update.
df2=df[df.Duration.notnull[]]

# Drop rows that has all NaN values.
df2=df.dropna[how='all']

# Using reset_index[] Method.
df2=df.dropna[].reset_index[drop=True]

# Two columns by using subset parameter.
df2=df.dropna[subset=['Courses','Fee']]

# Filter NAN Data selection column of strings by not operator.
df2 = df[~pd.isnull[df['Courses']]]

Bây giờ, hãy tạo một Khung dữ liệu Pandas với một vài hàng và cột và thực hiện một số ví dụ để tìm hiểu cách loại bỏ các hàng có giá trị NAN. Khung dữ liệu của chúng tôi chứa các tên cột


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

0 và


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sản lượng dưới sản lượng


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

2. Sử dụng Khung dữ liệu. Dropna[] Lọc các hàng có giá trị NAN

Bằng cách sử dụng phương pháp


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

2 bạn có thể lọc các hàng có giá trị Nan [Không phải là số] và Không có giá trị nào từ DataFrame. Lưu ý rằng theo mặc định, nó trả về bản sao của DataFrame sau khi xóa hàng. Nếu muốn xóa khỏi DataFrame hiện tại, bạn nên sử dụng


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Ngoài ra, bạn cũng có thể sử dụng


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

4 làm thông số để xóa các hàng có NaN, ví dụ như


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

3. Lọc ra các hàng NAN bằng DataFrame. dropna[]

Lọc ra các hàng NAN [Lựa chọn dữ liệu] bằng cách sử dụng phương pháp


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

5. Hàm


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

7 cũng có thể loại bỏ các hàng có giá trị NaN


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

8. Hàm này sẽ loại bỏ tất cả các hàng có ít nhất hai hàng không phải NaN


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sản lượng dưới sản lượng


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

3. Sử dụng Khung dữ liệu. Phương thức notnull[]

Phương thức


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

6 được sử dụng để phát hiện các giá trị không bị thiếu cho một đối tượng giống như mảng. Phương thức này lấy một đối tượng vô hướng hoặc giống như mảng và cho biết liệu các giá trị có hợp lệ hay không


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sản lượng dưới sản lượng


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

4. Lọc các Hàng bằng NAN bằng cách sử dụng Phương thức reset_index[]

Phương pháp


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

20 được sử dụng để tạo DataFrame hoặc Sê-ri mới có đặt lại chỉ mục. Điều này hữu ích khi chỉ mục cần được coi là một cột hoặc nó có thể được đặt lại về mặc định trước một thao tác khác


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

5. Lọc các hàng có giá trị NaN trên các cột đã chọn từ danh sách

Trong phần này, hãy xem cách chỉ loại bỏ các hàng khi các cột được chọn có giá trị NaN/Không có giá trị nào trong DataFrame, bạn có thể đạt được điều này bằng cách sử dụng tham số


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

21. Tham số tập hợp con chỉ đơn giản là chọn các hàng và cột dữ liệu cụ thể từ DataFrame [hoặc Sê-ri]


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sản lượng dưới sản lượng


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Ngoài ra, hãy sử dụng


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

22 để xóa các hàng có tất cả các giá trị NaN/Không có giá trị nào trong một hàng [thiếu dữ liệu cho tất cả các thành phần trong một hàng]


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sản lượng dưới sản lượng


   Courses      Fee Duration
0    Spark  22000.0   30days
1  PySpark  25000.0      NaN
2    Spark      NaN   30days
3   Python      NaN      N/A
4  PySpark      NaN      NaN
5     Java      NaN      NaN

6. Lọc cột lựa chọn dữ liệu NAN của chuỗi theo toán tử không

Lọc dữ liệu NAN Cột chọn chuỗi bằng toán tử not[~] được sử dụng để phủ định câu lệnh


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sản lượng đầu ra giống như trên

7. Hoàn thành các ví dụ để lọc các hàng có giá trị NAN

Dưới đây là một ví dụ hoàn chỉnh để lọc ra các hàng có giá trị NAN từ DataFrame


# Create a pandas DataFrame.
import pandas as pd
import numpy as np
technologies= {
    'Courses':["Spark","PySpark","Spark","Python","PySpark","Java"],
    'Fee' :[22000,25000,np.nan,np.nan,np.nan,np.nan],
    'Duration':['30days',np.nan,'30days','N/A', np.nan,np.nan]
          }
df = pd.DataFrame[technologies]
print[df]

Sự kết luận

Trong bài viết này, Bạn đã học cách lọc các hàng nan từ DataFrame của gấu trúc bằng cách sử dụng các phương pháp ________ 05, ________ 06. Cũng đã học cách chỉ lọc các hàng khi tất cả các giá trị là NaN/Không, chỉ khi các cột được chọn có giá trị NaN và sử dụng tham số tại chỗ

1. Ví dụ nhanh Lọc ra hàng NAN từ DataSelection của cột

2. Sử dụng Khung dữ liệu. Dropna[] Lọc các hàng có giá trị NAN

3. Lọc ra các hàng NAN bằng DataFrame. dropna[]

3. Sử dụng Khung dữ liệu. Phương thức notnull[]

4. Lọc các Hàng bằng NAN bằng cách sử dụng Phương thức reset_index[]

5. Lọc các hàng có giá trị NaN trên các cột đã chọn từ danh sách

6. Lọc cột lựa chọn dữ liệu NAN của chuỗi theo toán tử không

7. Hoàn thành các ví dụ để lọc các hàng có giá trị NAN

Sự kết luận

Bài Viết Liên Quan

Toplist mới

Bài mới nhất

Chủ Đề