programming python

Làm cách nào để kiểm tra xem một giá trị có ở nan trong điều kiện if python không?

Trong Python, loại 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
3 có 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4. 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 là viết tắt của "không phải là số" và được xác định theo tiêu chuẩn dấu phẩy động IEEE 754

  • NaN - Wikipedia

Bài viết này mô tả các nội dung sau

  • a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4 là một giá trị 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    3 trong Python
  • Tạo 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4. 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    9, 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    0, 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    1
  • Kiểm tra xem giá trị có phải là 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4 không. 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    3, 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    4
  • Hành vi đối với toán tử so sánh [
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    5, 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    6, 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    7, 
    print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
    8] với 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4
  • Kiểm tra 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4 trong câu lệnh 
    print[math.nan]
# nan

print[np.nan]
# nan

print[np.NaN]
# nan

print[np.NAN]
# nan
    1
  • Xóa và thay thế 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4 trong danh sách
  • Hoạt động với 
    a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
    4

Xem các bài viết sau về cách xóa và thay thế 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 trong NumPy và pandas

  • NumPy. Xóa các hàng/cột có giá trị bị thiếu [NaN] trong ndarray
  • NumPy. Thay thế NaN [np. nan] trong ndarray
  • gấu trúc. Xóa các giá trị bị thiếu [NaN] bằng dropna[]
  • gấu trúc. Thay thế các giá trị bị thiếu [NaN] bằng fillna[]

Liên kết được tài trợ

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 là một giá trị 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
3 trong Python

Trong Python, loại 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
3 có 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4. Bạn có thể tạo 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 với 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
9. Các phương pháp tạo khác được mô tả sau

import math

import numpy as np
import pandas as pd

print[float['nan']]
# nan

print[type[float['nan']]]
#

nguồn.

Ví dụ: nếu bạn đọc tệp CSV bằng NumPy hoặc pandas, các giá trị còn thiếu được biểu thị bằng 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 [_______30_______2 trong pandas]

  • cục mịch. genfromtxt — NumPy v1. 22 Sách hướng dẫn
  • gấu trúc. read_csv — gấu trúc 1. 4. 0 tài liệu

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN

nguồn.

Tạo 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4. 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
9, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
0, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
1

Như đã mô tả ở trên, bạn có thể tạo 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 với 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
9. Nó không phân biệt chữ hoa chữ thường, vì vậy bạn có thể sử dụng 
print[math.isnan[float['nan']]]
# True

print[math.isnan[math.nan]]
# True

print[math.isnan[np.nan]]
# True
9 và 
print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]
0

print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan

nguồn.

Ngoài ra, 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 có thể được tạo bởi toán học [thư viện chuẩn] và NumPy; 

print[math.nan]
# nan

print[np.nan]
# nan

print[np.NaN]
# nan

print[np.NAN]
# nan

nguồn.

Chúng tương đương nhau cho dù bạn sử dụng phương pháp nào để tạo

Kiểm tra xem giá trị có phải là 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 không. 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
4

Bạn có thể kiểm tra xem một giá trị có phải là 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 hay không với 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3

print[math.isnan[float['nan']]]
# True

print[math.isnan[math.nan]]
# True

print[math.isnan[np.nan]]
# True

nguồn. 

print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]
9 cũng được cung cấp

  • cục mịch. isnan — NumPy v1. 22 Sách hướng dẫn

Ngoài các giá trị vô hướng, các đối tượng dạng mảng như danh sách và mảng NumPy 

print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
0 có thể được chỉ định làm đối số

print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]

nguồn. 

print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
1 và 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
2 có phương thức 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
3 và bí danh của nó là 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
4, trả về 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
5 cho 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 và 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
7

  • Thiếu giá trị trong gấu trúc [nan, Không có, pd. không có]
  • gấu trúc. Phát hiện và đếm các giá trị bị thiếu [NaN] với hàm isnull[], isna[]

Sẽ xảy ra lỗi nếu 

print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
7 được chỉ định cho 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3 hoặc 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
4

Hành vi đối với toán tử so sánh [
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
5, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
6, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
7, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
8] với 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4

Khi so sánh với 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
5, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
6, 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
7, 
print[bool[float['nan']]]
# True
0 và 
print[bool[float['nan']]]
# True
1 luôn trả về 
print[bool[float['nan']]]
# True
2 và 
print[bool[float['nan']]]
# True
3 luôn trả về 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
5

print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True

nguồn.

Điều này cũng đúng với các phép so sánh giữa 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 và 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4. Lưu ý rằng 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
7 và 
print[bool[float['nan']]]
# True
3 cho kết quả phản trực giác

Mọi so sánh theo thứ tự của một số với một giá trị không phải là số đều sai. Một hàm ý phản trực giác là các giá trị không phải là số không bằng chính chúng. Ví dụ: nếu x = float['NaN'], 3 < x, x < 3 và x == x đều sai, trong khi x. = x là đúng. Hành vi này phù hợp với IEEE 754. 

print[float['nan'] == float['nan']]
# False

print[float['nan'] != float['nan']]
# True

nguồn.

Để kiểm tra xem một giá trị có phải là 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 hay không, hãy sử dụng 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3 và 
print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]
9 thay vì 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
7

Liên kết được tài trợ

Kiểm tra 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 trong câu lệnh 
print[math.nan]
# nan

print[np.nan]
# nan

print[np.NaN]
# nan

print[np.NAN]
# nan
1

Trong Python, các đối tượng khác ngoài 

print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
5 và 
print[bool[float['nan']]]
# True
2 cũng được coi là đúng hoặc sai trong biểu thức điều kiện của câu lệnh 
print[math.nan]
# nan

print[np.nan]
# nan

print[np.NaN]
# nan

print[np.NAN]
# nan
1. Ví dụ: chuỗi rỗng 
x = float['nan']

if math.isnan[x]:
    print['This is nan.']
else:
    print['This is not nan.']
# This is nan.
8 hoặc số 
x = float['nan']

if math.isnan[x]:
    print['This is nan.']
else:
    print['This is not nan.']
# This is nan.
9 được coi là sai và các chuỗi hoặc số khác được coi là đúng

  • Chuyển đổi bool [True, False] và các loại khác với nhau trong Python

Như bạn có thể thấy với 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
00, 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 được đánh giá là 
print[10  float['nan']]
# False

print[10 == float['nan']]
# False

print[10 != float['nan']]
# True
5

print[bool[float['nan']]]
# True

nguồn.

Sử dụng 

print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3 hoặc 
print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]
9

x = float['nan']

if math.isnan[x]:
    print['This is nan.']
else:
    print['This is not nan.']
# This is nan.

nguồn. 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
0

nguồn.

Xóa và thay thế 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 trong danh sách

Nếu bạn muốn xóa hoặc thay thế 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 trong danh sách, hãy sử dụng cách hiểu danh sách, biểu thức điều kiện [toán tử bậc ba] và 
print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3, 
print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]
9

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
1

nguồn.

Chỉ cần sử dụng 

print[float['nan']]
# nan

print[float['NaN']]
# nan

print[float['NAN']]
# nan
3 và 
print[np.isnan[float['nan']]]
# True

print[np.isnan[[float['nan'], math.nan, np.nan, 0]]]
# [ True  True  True False]
9 để kiểm tra và khái niệm này cũng giống như các trường hợp loại bỏ và thay thế các giá trị khác. Xem chi tiết bài viết sau

  • Trích xuất, thay thế, chuyển đổi các phần tử của danh sách trong Python

Xem các bài viết sau về cách xóa và thay thế 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 trong NumPy và pandas

  • NumPy. Xóa các hàng/cột có giá trị bị thiếu [NaN] trong ndarray
  • NumPy. Thay thế NaN [np. nan] trong ndarray
  • gấu trúc. Xóa các giá trị bị thiếu [NaN] bằng dropna[]
  • gấu trúc. Thay thế các giá trị bị thiếu [NaN] bằng fillna[]

Hoạt động với 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4

Các hoạt động như 

a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
13, 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
14, 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
15, 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
16 và 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
17 với kết quả 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4 
a = np.genfromtxt['data/src/sample_nan.csv', delimiter=',']
print[a]
# [[11. 12. nan 14.]
#  [21. nan nan 24.]
#  [31. 32. 33. 34.]]

df = pd.read_csv['data/src/sample_pandas_normal_nan.csv'][:3]
print[df]
#       name   age state  point  other
# 0    Alice  24.0    NY    NaN    NaN
# 1      NaN   NaN   NaN    NaN    NaN
# 2  Charlie   NaN    CA    NaN    NaN
4

Làm cách nào để kiểm tra NaN bằng điều kiện if trong Python?

Một giải pháp đơn giản để kiểm tra NaN trong Python là sử dụng hàm toán học math. isnan[] . Nó trả về True nếu tham số đã chỉ định là NaN và Sai nếu không.

NaN[] có được sử dụng để kiểm tra NaN không?

Hàm nan[] trong Ngôn ngữ R được sử dụng để kiểm tra xem vectơ có chứa bất kỳ giá trị NaN[Không phải là Số] nào dưới dạng phần tử hay không . Nó trả về một giá trị boolean cho tất cả các phần tử của vectơ.

Bài Viết Liên Quan

Nhận dữ liệu trước khi cập nhật Laravel
Mã màu nền css
Làm cách nào để lấy chỉ mục bắt đầu của chuỗi con trong chuỗi Python?
Permalinks là một chức năng của WordPress là gì?
Làm cách nào để cài đặt thư viện Python GPIO?
100 Đô la bao nhiêu tiền Việt hôm nay
Giải phương trình 2 biến Python
DOM ảo Python
Viết 2 danh sách vào CSV Python
R để trăn
Các trận đấu cricket vào tháng 1 năm 2023
Reac js có tốt hơn bootstrap không?
Chuyển đổi matlab sang python trực tuyến
Làm thế nào để bạn cắt một hình ảnh trong python?
Al nguyên tố bao nhiêu?
Nhập mysql.connector không hoạt động trong pycharm
Mã IFSC có giống nhau cho tất cả các khách hàng không?
Python có gọi theo giá trị không?
LCM của hai số trong Python mà không cần sử dụng Hàm
Làm thế nào để bạn xác định số trong python?

Toplist mới

#1
Top 9 tập bản đồ lớp 8 bài 31 2023
6 tháng trước
#2
Top 6 kết quả thi hsg đà nẵng 2022 2023
6 tháng trước
#3
Top 9 tủ nhựa đài loan 4 cánh 3d 2023
6 tháng trước
#4
Top 9 chất khí có thể làm mất màu dung dịch nước brom là: a. so2. b. co2. c. o2. d. hcl. 2023
6 tháng trước
#5
Top 8 tìm việc làm tiện, phay bảo q7 2023
6 tháng trước
#6
Top 3 tôi xuyên thành tiểu kiều the của lão đại phản 2 2023
6 tháng trước
#7
Top 9 đổi mới phong cách, thái độ phục vụ của cán bộ y tế hướng tới sự hài lòng của người bệnh 2023
6 tháng trước
#8
Top 2 bài the dục phát triển chung lớp 6 2022 2023
6 tháng trước
#9
Top 3 bài giảng vũ điệu sắc màu (lớp 4) 2023
6 tháng trước

Bài mới nhất

Ngày 14 3 là ngày gì năm 2024
Mục đích sử dụng đất 2l 19 năm là gì năm 2024
Bài tập cấu hình electron nguyên tử khó năm 2024
Nghiệp vụ tín dụng ngân hàng là gì năm 2024
Top 10 luong cau thu cao nhat the gioi năm 2024
Quạt điều hòa air cooler của nước nào năm 2024
Phí chuyển đổi quỹ liên kết đơn vị là gì năm 2024
Các bài tập về câu điều ước có đáp án năm 2024
Kèo ft châu á 1x2 là gì năm 2024
Top 1 thịnh hành ngày 12 5 2023 năm 2024

Chủ Đề

programming Hỏi Đáp Toplist Là gì Mẹo Hay Địa Điểm Hay Học Tốt mẹo hay Công Nghệ Nghĩa của từ Bao nhiêu Khỏe Đẹp đánh giá Top List bao nhieu bao nhiêu hướng dẫn Xây Đựng So Sánh Bài tập So sánh Tiếng anh Sản phẩm tốt Ngôn ngữ Bài Tập javascript Ở đâu Thế nào Hướng dẫn Dịch Máy tính Tại sao Đại học Món Ngon Khoa Học