NaN tarkoittaa Not A Number ja on yksi yleisimmistä tavoista esittää puuttuva arvo tiedoista. Se on erityinen liukulukuarvo, jota ei voi muuntaa muuksi kuin liukulukuksi. NaN-arvo on yksi suurimmista ongelmista
Menetelmät NaN-arvojen korvaamiseksi nollalla Pandas DataFramessa
Sisään Pythonissa on kaksi tapaa, joilla voimme korvata NaN-arvot nolilla Pandas-tietokehyksessä. Ne ovat seuraavat:
Korvaa NaN-arvot nollalla käyttämällä Pandas fillna()
Filna()-funktiota käytetään NA/NaN-arvojen täyttämiseen määritetyllä menetelmällä. Katsotaanpa muutama esimerkki paremman ymmärtämisen vuoksi.
Korvaa NaN-arvot nollalla sarakkeessa käyttämällä Pandas fillna()
Syntaksi NaN-arvojen korvaamiseksi yhden sarakkeen nollalla Pandas-tietokehyksessä fillna()-funktiolla on seuraava:
Syntax: df['DataFrame Column'] = df['DataFrame Column'].fillna(0)>
Python 3
# importing libraries> import> pandas as pd> import> numpy as np> nums>=> {>'Set_of_Numbers'>: [>2>,>3>,>5>,>7>,>11>,>13>,> >np.nan,>19>,>23>, np.nan]}> # Create the dataframe> df>=> pd.DataFrame(nums, columns>=>[>'Set_of_Numbers'>])> # Apply the function> df[>'Set_of_Numbers'>]>=> df[>'Set_of_Numbers'>].fillna(>0>)> # print the DataFrame> df> |
css-tekstin tasaus
>
>
Lähtö:
fillna() korvaamaan NaN yksittäisessä sarakkeessa
Korvaa NaN-arvot nollalla koko sarakkeessa käyttämällä Pandas fillna()
Syntaksi NaN-arvojen korvaamiseksi nollalla koko Pandas-tietokehyksestä fillna()-funktiolla on seuraava:
Syntax: df.fillna(0)>
Python 3
# importing libraries> import> pandas as pd> import> numpy as np> nums>=> {>'Number_set_1'>: [>0>,>1>,>1>,>2>,>3>,>5>, np.nan,> >13>,>21>, np.nan],> >'Number_set_2'>: [>3>,>7>, np.nan,>23>,>31>,>41>,> >np.nan,>59>,>67>, np.nan],> >'Number_set_3'>: [>2>,>3>,>5>, np.nan,>11>,>13>,>17>,> >19>,>23>, np.nan]}> # Create the dataframe> df>=> pd.DataFrame(nums)> # Apply the function> df>=> df.fillna(>0>)> # print the DataFrame> df> |
>
>
Lähtö:
satunnainen järjestys sql
fillna()-funktio korvaa NaN koko tietokehyksessä
vlc mediasoitin lataa youtube
Korvaa NaN-arvot nollalla käyttämällä NumPy-vaihtoa()
The dataframe.replace() funktio Pandasissa voidaan määritellä yksinkertaiseksi menetelmäksi, jolla korvataan a merkkijono , regex , lista , sanakirja jne. DataFrame-kehyksessä.
Korvaa NaN-arvot nollalla sarakkeessa käyttämällä NumPy-vaihtoa()
Syntaksi NaN-arvojen korvaamiseksi yhden sarakkeen nolilla Pandas-tietokehyksessä käyttämällä vaihtotoimintoa () on seuraava:
Syntax: df['DataFrame Column'] = df['DataFrame Column'].replace(np.nan, 0)>
Python 3
# importing libraries> import> pandas as pd> import> numpy as np> nums>=> {>'Car Model Number'>: [>223>, np.nan,>237>,>195>, np.nan,> >575>,>110>,>313>, np.nan,>190>,>143>,> >np.nan],> >'Engine Number'>: [>4511>, np.nan,>7570>,>1565>,>1450>,>3786>,> >2995>,>5345>,>7777>,>2323>,>2785>,>1120>]}> # Create the dataframe> df>=> pd.DataFrame(nums, columns>=>[>'Car Model Number'>])> # Apply the function> df[>'Car Model Number'>]>=> df[>'Car Model Number'>].replace(np.nan,>0>)> # print the DataFrame> df> |
>
>
Lähtö:
korvaa() korvataksesi NaN yhden sarakkeen kohdalla
Korvaa NaN-arvot nollalla koko tietokehyksessä käyttämällä NumPy-vaihtoa()
Syntaksi NaN-arvojen korvaamiseksi nollalla koko Pandas-tietokehyksestä käyttäen korvaa()-funktio on seuraava:
Syntax: df.replace(np.nan, 0)>
Python 3
# importing libraries> import> pandas as pd> import> numpy as np> nums>=> {>'Student Name'>: [>'Shrek'>,>'Shivansh'>,>'Ishdeep'>,> >'Siddharth'>,>'Nakul'>,>'Prakhar'>,> >'Yash'>,>'Srikar'>,>'Kaustubh'>,> >'Aditya'>,>'Manav'>,>'Dubey'>],> >'Roll No.'>: [>18229>,>18232>, np.nan,>18247>,>18136>,> >np.nan,>18283>,>18310>,>18102>,>18012>,> >18121>,>18168>],> >'Subject ID'>: [>204>, np.nan,>201>,>105>, np.nan,>204>,> >101>,>101>, np.nan,>165>,>715>, np.nan],> >'Grade Point'>: [>9>, np.nan,>7>, np.nan,>8>,>7>,>9>,>10>,> >np.nan,>9>,>6>,>8>]}> # Create the dataframe> df>=> pd.DataFrame(nums)> # Apply the function> df>=> df.replace(np.nan,>0>)> # print the DataFrame> df> |
>
>
muuntaminen merkkijonoksi
Lähtö:
korvaa()-funktio korvaamaan NaN koko tietokehyksessä