temp[temp['filled'].isnull().values == True]#判断缺失值的位置 b = df[df.isna().any(axis=1)] data.dropna()==data[data.notnall()] data.isnull().sum()#各列的缺失值数量； data.isnull().sum().sum()#总体null的数量。 #优先从左边进行插入 df_demo1_1 = df_demo1.iloc[:,2:-1] df_demo1_1 = df_demo1_1.fillna(method='ffill',axis=1)#同行，从左往右补全 df_demo1_1 = df_demo1_1.fillna(method='bfill',axis=1)#同列，从右往左补 data_zzz01_use1 =data_zzz01_use.interpolate(limit_direction='forward',axis=1)#时间顺序插值 data_zzz01_use1 = data_zzz01_use1.interpolate(limit_direction='backward',axis=1)#时间顺序插值 dropna(thresh=n) # 简单的理解：这一行除去NA值，剩余数值的数量大于等于n，便显示这一行。 data.dropna(how = 'all') # 传入这个参数后将只丢弃全为缺失值的那些行 data.dropna(axis = 1) # 丢弃有缺失值的列（一般不会这么做，这样会删掉一个特征） data.dropna(axis=1,how="all") # 丢弃全为缺失值的那些列 data.dropna(axis=0,subset= ["Age", "Sex"]) #丢弃‘Age’和‘Sex’这两列中有缺失值的行 In [38]: pd.isnull(idx) Out[38]: array([False, False, True], dtype=bool)
pandas.dropna() how参数当我们至少有一个NA时，确定是否从DataFrame中删除行或列
how='all’或者how=‘any’。
how='all’时表示删除全是缺失值的行（列）
how='any’时表示删除只要含有缺失值的行（列）
参考链接：
[1] python数据分析之清洗数据：缺失值处理 2020.2
