3招降服Python数据中的None值

只要和数据打交道，就不可能不面对一个令人头疼的问题-数据集中存在空值。空值处理，是数据预处理之数据清洗的重要内容之一。

Python 数据分析包 Pandas 提供了一些便利的函数，可以帮助我们快速按照设想处理、解决空值。

空值处理的第一招：快速确认数据集中是不是存在空值。有两个函数 isnull, notnull，可以帮助我们快速定位数据集中每个元素是否为空值。

说到空值，在 NumPy 中定义为： np.nan，Python 中定义为 None，所以大家注意这种表达方式。这里面有一个坑，就是 Pandas 对象某列或某行，直接拿 np.nan , None 判断元素是否为空，发现返回的都是False。注意：这样做是不可取的！

第二招，假设存在空值，可以使用 Pandas 中的 fillna 函数填充空值，fillna 有一个关键参数： method, 当设置method为 pad 时，表示怎样填充呢？ 从上一个有效数据传播到下一个有效数据行。此外，还有一个限制连续空值行的数量的关键字 limit.

第三招，检测到了空值数据，但是不想做任何填充，而是仅仅想丢弃这些空值数据，Pandas 提供了 dropna 函数做这件事情。里面有两个关键参数：axis, how, 例如组合：axis = 0，how =\'any\'，表示某行只要某个元素为空值，就丢弃。

以上就是 Pandas 中，空值处理的基本思路。

为了使文章看起来足够简洁，让大家快速了解处理思路，我就不在文中贴代码了，详细的Jupyter 代码，请点击阅读原文，跳转到小编的github库。

推荐阅读：

15个Python数据分析函数

为人要厚道，做事凭良心。悟天道酬勤，自信：心怀美好，美好即至。近日，细分微信群，仅一步操作，寻与汝同行之人，邀您加入！