Python 剔除 NaN
NaN（Not a Number）是指在数据中存在缺失或无效的值。在数据分析和处理中，我们经常需要剔除这些 NaN 值，以保证数据的准确性和完整性。Python 提供了多种方法来处理 NaN 值，本文将介绍如何使用 Python 剔除 NaN。
使用 pandas 处理 NaN
在数据处理领域，pandas 是一个非常常用的 Python 库。它提供了丰富的数据结构和数据分析工具，可以方便地处理 NaN 值。下面是一个使用 pandas 处理 NaN 的简单示例代码：
import pandas as pd
# 创建一个包含 NaN 值的 DataFrame
data = {'A': [1, 2, np.nan, 4],
'B': [5, np.nan, 7, 8]}
df = pd.DataFrame(data)
# 剔除包含 NaN 值的行
df_clean = df.dropna()
print(df_clean)
输出结果为：
A B
0 1.0 5.0
在上述示例中，首先创建了一个包含 NaN 值的 DataFrame。然后使用 dropna() 函数剔除包含 NaN 值的行。最后打印出剔除 NaN 后的 DataFrame。
使用 NumPy 处理 NaN
NumPy 是 Python 中另一个常用的数值计算库。它提供了丰富的数学函数和数组操作方法，可以方便地处理 NaN 值。下面是一个使用 NumPy 处理 NaN 的简单示例代码：
import numpy as np
# 创建一个包含 NaN 值的数组
arr = np.array([1, np.nan, 3, 4])
# 剔除 NaN 值
arr_clean = arr[~np.isnan(arr)]
print(arr_clean)
输出结果为：
[1. 3. 4.]
在上述示例中，首先创建了一个包含 NaN 值的数组。然后使用 np.isnan() 函数找出 NaN 值所在的位置，并使用取反运算符 ~ 来排除这些位置，从而得到剔除 NaN 后的数组。
使用 fillna 填充 NaN
除了剔除 NaN，有时候我们也可以选择填充 NaN，以保留原有数据的完整性。pandas 提供了 fillna() 函数用于填充 NaN 值。下面是一个使用 fillna() 填充 NaN 的简单示例代码：
import pandas as pd
# 创建一个包含 NaN 值的 DataFrame
data = {'A': [1, 2, np.nan, 4],
'B': [5, np.nan, 7, 8]}
df = pd.DataFrame(data)
# 使用 0 填充 NaN 值
df_fill = df.fillna(0)
print(df_fill)
输出结果为：
A B
0 1.0 5.0
1 2.0 0.0
2 0.0 7.0
3 4.0 8.0
在上述示例中，首先创建了一个包含 NaN 值的 DataFrame。然后使用 fillna() 函数将 NaN 值填充为指定的值，这里填充为 0。最后打印出填充 NaN 后的 DataFrame。
总结
本文介绍了如何使用 Python 剔除 NaN 值。通过使用 pandas 的 dropna() 函数和 NumPy 的 np.isnan() 函数，我们可以轻松地剔除包含 NaN 值的行或数组元素。此外，我们还介绍了如何使用 pandas 的 fillna() 函数填充 NaN 值，以保留原有数据的完整性。掌握这些方法可以帮助我们更好地处理数据中的 NaN 值，提高数据分析和处理的准确性。
gantt
dateFormat YYYY-MM-DD
title Python 剔除 NaN
section 数据准备
准备数据 :done, 2022-10-01, 1d
section 使用 pandas 处理 NaN
使用 dropna() :done, 2022-10-02, 1d
section 使用 NumPy 处理 NaN
使用 np.isnan() :
