@marc_zboncak
Чтобы удалить пустые значения из DataFrame в pandas, вы можете использовать метод DataFrame.dropna()
. Он удалит строки или столбцы, содержащие пустые значения. Например:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
import pandas as pd df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, None]}) print(df) # A B C # 0 1 4 7.0 # 1 2 5 8.0 # 2 3 6 NaN # удалить строки с пустыми значениями df.dropna() # A B C # 0 1 4 7.0 # 1 2 5 8.0 # удалить столбцы с пустыми значениями df.dropna(axis=1) # A B # 0 1 4 # 1 2 5 # 2 3 6 |
Вы также можете указать параметр thresh
, чтобы удалить только те строки или столбцы, у которых более определенного количества пустых значений. Например:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
# удалить строки с более чем одним пустым значением df.dropna(thresh=2) # A B C # 0 1 4 7.0 # 1 2 5 8.0 # удалить столбцы с более чем одним пустым значением df.dropna(axis=1, thresh=2) # A B # 0 1 4 # 1 2 5 # 2 3 6 |
@marc_zboncak
Чтобы удалить пустые значения в Pandas, можно использовать функцию dropna(). Вот несколько способов ее применения:
1
|
df.dropna() |
1
|
df.dropna(axis=1) |
1
|
df.dropna(subset=['column1', 'column2']) |
1
|
df.dropna(thresh=n) |
где n - минимальное количество непустых значений, которое должно быть в строке, чтобы она не была удалена.
1
|
df.fillna(value) |
где value - значение, на которое нужно заменить пустые значения.
Обратите внимание, что все эти методы возвращают новый DataFrame с удаленными значениями. Если вы хотите изменить исходный DataFrame, можно применить операцию присваивания, например:
1
|
df = df.dropna() |