这篇文章主要围绕“python中的pandas怎么使用?如何使用pandas？”进行讲解，内容详细，步骤清晰，简单易懂，希望你阅读之后收获满满，下面跟着我一起来学习“python中的pandas怎么使用?如何使用pandas？”的新知识吧！
一、使用isnull()
isnull() 用来找出缺失值的位置，返回一个布尔类型的掩码标记缺失值，下面通过相关案例进行讲解。
import pandas as pd
import numpy as np
data = pd.DataFrame({'name':['HELLO',np.nan,'C++','PYTHON'],'age':[20,np.nan,24,None]})
data
执行以上代码得到以下数据：
name age 0 HELLO 20.0 1 NaN NaN 2 C++ 24.0 3 PYTHON NaN
我们可以发现不管我们创建DataFrame时控制用的是np.nan还是None，创建后都会变成NaN。
如果使用data.isnull()执行结果又会不一样，下面是使用isnull的结果：
name age 0 False False 1 True True 2 False False 3 False True
二、使用notnull()
notnull()和isnull()使用方法正好相反，它是找出不是空值存在的并用布尔值进行标记，下面是例子：
data.notnull() name age 0 True True 1 False False 2 True True 3 True False
三、dropna()
dropna()就跟字面意思一样，是把缺失值丢掉。
DataFrame.dropna(axis=0, how=‘any’, thresh=None, subset=None, inplace=False)
参数：
axis：默认值是0，表示删除行或者是列。也可以用行列的英文表示“index”、“columns”
how：{‘any’, ‘all’}, 默认为 ‘any’；any 表示只要该行（列）出现空值就删除整行（列），all 表示整行（列）都出现空值才会删除整行（列）；
thresh：表示删除非空值小于 thresh 个数时删除；
subset：列表类型，表示哪些列里有空值才删除行或列；
inplace：与其他函数的 inplace 一样，表示是否覆盖原 DataFrame。
例子：
data.dropna(axis=1,thresh=3) name 0 hello 1 NaN 2 JAVA 3 PYTHON
data.dropna(axis=0,how='all') name age 0 hello 20.0 2 JAVA 21.0 3 PYTHON NaN
data.dropna(subset = ['name']) name age 0 hello 20.0 2 JAVA 21.0 3 PYTHON NaN
读到这里，这篇有关“Python的pandas怎么使用？如何使用pandas？”文章已经介绍完毕，想要掌握这篇文章的知识点还需要大家自己动手实践使用过才能领会，如果想了解更多相关内容的文章，可以继续关注哦！
更多python相关文章请访问分类：python
【版权声明】本文图文出自大盘站@dapan.cc，转载请注明出处！
