去掉pandas中的NaN值并重新排序列

在数据处理和分析中，经常会遇到缺失值（NaN）的情况。pandas是一个强大的数据处理库，提供了处理缺失值的方法。要去掉pandas中的NaN值并重新排序列，可以按照以下步骤进行操作：

导入pandas库：

import pandas as pd

创建一个包含NaN值的DataFrame示例：

data = {'A': [1, 2, None, 4, 5],
        'B': [None, 6, 7, 8, 9],
        'C': [10, 11, 12, None, 14]}
df = pd.DataFrame(data)

使用dropna()方法删除包含NaN值的行：

df = df.dropna()

使用reset_index()方法重新排序索引：

df = df.reset_index(drop=True)

完整的代码如下：

import pandas as pd

data = {'A': [1, 2, None, 4, 5],
        'B': [None, 6, 7, 8, 9],
        'C': [10, 11, 12, None, 14]}
df = pd.DataFrame(data)

df = df.dropna()
df = df.reset_index(drop=True)

这样，NaN值被去掉，并且列的顺序保持不变。如果需要重新排序列，可以使用reindex()方法。

希望这个答案能够满足你的需求。如果有任何问题，请随时提问。

相关·内容

总结100个Pandas中序列的实用函数

在分享《Pandas模块，我觉得掌握这些就够用了！》后有很多读者朋友给我私信，希望分享一篇关于Pandas模块中序列的各种常有函数的使用。...(x.describe()) z = pd.Series(['A','B','C']).sample(n = 1000, replace = True) # 重新修改z的行索引 z.index = range...x = pd.Series([10,13,np.nan,17,28,19,33,np.nan,27]) #检验序列中是否存在缺失值 print(x.hasnans) # 将缺失值填充为平均值 print...❆ 数据筛选数据分析中如需对变量中的数值做子集筛选时，可以巧妙的使用下表中的几个函数，其中部分函数既可以使用在序列身上，也基本可以使用在数据框对象中。 ?...(np.random.randint(8,16,100)) # 将y中的元素做排重处理，并转换为列表对象 y.unique().tolist() ?

7743 0

总结100个Pandas中序列的实用函数

因为每个列表都在分享《Pandas模块，我觉得掌握这些就够用了！》后有很多读者朋友给我私信，希望分享一篇关于Pandas模块中序列的各种常有函数的使用。...(x.describe()) z = pd.Series(['A','B','C']).sample(n = 1000, replace = True) # 重新修改z的行索引 z.index = range...x = pd.Series([10,13,np.nan,17,28,19,33,np.nan,27]) #检验序列中是否存在缺失值 print(x.hasnans) # 将缺失值填充为平均值 print...❆ 数据筛选数据分析中如需对变量中的数值做子集筛选时，可以巧妙的使用下表中的几个函数，其中部分函数既可以使用在序列身上，也基本可以使用在数据框对象中。 ?...(np.random.randint(8,16,100)) # 将y中的元素做排重处理，并转换为列表对象 y.unique().tolist() ?

7262 0

总结100个Pandas中序列的实用函数

6141 0

上手Pandas，带你玩转数据（1）-- 实例详解pandas数据结构

1.对表格类型的数据的读取和输出速度非常快。（个人对比excel和pandas，的确pandas不会死机....）在他的演示中，我们可以看到读取489597行，6列的数据只要0.9s。...2.时间序列处理。经常用在金融应用中。 3.数据队列。可以把不同队列的数据进行基本运算。 4.处理缺失数据。 5.分组运算。比如我们在前面泰坦尼克号中的groupby。 6.分级索引。...，不是我说，真不知道那个老师是怎么排的课？...index：索引值必须是唯一的和散列的，与数据的长度相同。...如果索引被传递，索引中的标签对应的数据值将被取出。

6.6K3 0

总结100个Pandas中序列的实用函数

(np.random.normal(1,2,1000)) # 计算x与y的相关系数 print(x.corr(y)) # 计算y的偏度 print(y.skew()) # 计算y的统计描述值 print...(x.describe()) z = pd.Series(['A','B','C']).sample(n = 1000, replace = True) # 重新修改z的行索引 z.index = range...x = pd.Series([10,13,np.nan,17,28,19,33,np.nan,27]) #检验序列中是否存在缺失值 print(x.hasnans) # 将缺失值填充为平均值 print...❆ 数据筛选数据分析中如需对变量中的数值做子集筛选时，可以巧妙的使用下表中的几个函数，其中部分函数既可以使用在序列身上，也基本可以使用在数据框对象中。 ?...(np.random.randint(8,16,100)) # 将y中的元素做排重处理，并转换为列表对象 y.unique().tolist() ?

6182 2

盘点Pandas 的100 个常用函数

(np.random.normal(1,2,1000)) # 计算x与y的相关系数 print(x.corr(y)) # 计算y的偏度 print(y.skew()) # 计算y的统计描述值 print...(x.describe()) z = pd.Series(['A','B','C']).sample(n = 1000, replace = True) # 重新修改z的行索引 z.index = range...x = pd.Series([10,13,np.nan,17,28,19,33,np.nan,27]) #检验序列中是否存在缺失值 print(x.hasnans) # 将缺失值填充为平均值 print...数据筛选数据分析中如需对变量中的数值做子集筛选时，可以巧妙的使用下表中的几个函数，其中部分函数既可以使用在序列身上，也基本可以使用在数据框对象中。 ?...(np.random.randint(8,16,100)) # 将y中的元素做排重处理，并转换为列表对象 y.unique().tolist() ?

5732 0

总结100个Pandas中序列的实用函数

经过一段时间的整理，本期将分享我认为比较常规的100个实用函数，这些函数大致可以分为六类，分别是统计汇总函数、数据清洗函数、数据筛选、绘图与元素级运算函数、时间序列函数和其他函数。...(x.describe()) z = pd.Series(['A','B','C']).sample(n = 1000, replace = True) # 重新修改z的行索引 z.index = range...x = pd.Series([10,13,np.nan,17,28,19,33,np.nan,27]) #检验序列中是否存在缺失值 print(x.hasnans) # 将缺失值填充为平均值 print...❆ 数据筛选数据分析中如需对变量中的数值做子集筛选时，可以巧妙的使用下表中的几个函数，其中部分函数既可以使用在序列身上，也基本可以使用在数据框对象中。 ?...(np.random.randint(8,16,100)) # 将y中的元素做排重处理，并转换为列表对象 y.unique().tolist()

4664 0

科学计算库-Pandas随笔【附网络隐私闲谈】

pandas 是基于 numpy 数组构建的，但二者最大的不同是 pandas 是专门为处理表格和混杂数据设计的，比较契合统计分析中的表结构，而 numpy 更适合处理统一的数值数组数据。...怎么选取特定的键值对，并返回 obj【Series对象】？...NaN dtype: float64 重新定义索引时，如何填充缺失值/NaN？...9.0 10.0 11.0 结果中的 NaN 指的是两对象中均不存在的项。...，第一层不做要求这里和视频中有出入，视频中 data.index 得到的返回值和我的也不一致，并没有出现 levels、codes 这些关键字，使用数字筛选第二层报错。

2.9K18 0

7步搞定数据清洗－Python数据清洗指南

可能会存在有标点符号掺杂／大小写不一致／空格重复出现等问题 6）消灭空值：CustomerID、Description、Country和UnitPrice都出现了NaN值，需要去掉于是下面就开始后续的数据清洗...python缺失值有3种： 1）Python内置的None值 2）在pandas中，将缺失值表示为NA，表示不可用not available。...axis＝1表示逢空值去掉整列 # 'any'如果一行（或一列）里任何一个数据有任何出现Nan就去掉整行， ‘all’一行（或列）每一个数据都是Nan才去掉这整行 DataDF.dropna(how.../pandas.DataFrame.fillna.html#pandas.DataFrame.fillna 1) 用默认值填充－ df.fillna(' ') 我们应该去掉那些不友好的 NaN 值。...DataDF.UnitPrice = DataDF.UnitPrice.fillna(DataDF.UnitPrice.mean()) 3）除此，还有一种常见的方法，就是用相邻的值进行填充，这在时间序列分析中相当常见

4.4K2 0

一篇文章就可以跟你聊完Pandas模块的那些常用功能

在 Series 结构中，index 默认是 0,1,2,……递增的整数序列，当然我们也可以自己来指定索引，比如 index=[‘a’, ‘b’, ‘c’, ‘d’]。...x1 中的 index 采用的是默认值，x2 中 index 进行了指定。...去重复的值：数据采集可能存在重复的行，这时只要使用 drop_duplicates() 就会自动把重复的行去掉。...数据量大的情况下，有些字段存在空值 NaN 的可能，这时就需要使用 Pandas 中的 isnull 函数进行查找。...Pandas 和 NumPy 一样，都有常用的统计函数，如果遇到空值 NaN，会自动排除。

5.1K3 0

Python时间序列分析简介（2）

而在“时间序列”索引中，我们可以基于任何规则重新采样，在该规则中，我们指定要基于“年”还是“月”还是“天”还是其他。...滚动时间序列滚动也类似于时间重采样，但在滚动中，我们采用任何大小的窗口并对其执行任何功能。简而言之，我们可以说大小为k的滚动窗口表示 k个连续值。让我们来看一个例子。...如果要计算10天的滚动平均值，可以按以下方式进行操作。 ? ? 现在在这里，我们可以看到前10个值是 NaN，因为没有足够的值来计算前10个值的滚动平均值。它从第11个值开始计算平均值，然后继续。...在这里，我们可以看到在30天的滚动窗口中有最大值。使用Pandas绘制时间序列数据有趣的是，Pandas提供了一套很好的内置可视化工具和技巧，可以帮助您可视化任何类型的数据。...希望您现在已经了解在Pandas中正确加载时间序列数据集时间序列数据索引使用Pandas进行时间重采样滚动时间序列使用Pandas绘制时间序列数据

3.4K2 0

数据科学篇| Pandas库的使用（二）

5.8K2 0

数据科学篇| Pandas库的使用

6.6K2 0

Python中的DataFrame模块学

重新调整index的值　　import pandas as pd 　　data = pd.DataFrame() 　　data['ID'] = range(0,3) 　　# data = 　　# ID...异常处理　　过滤所有包含NaN的行　　dropna()函数的参数配置参考官网pandas.DataFrame.dropna 　　from numpy import nan as NaN 　　import...pandas as pd 　　data = pd.DataFrame([[1,2,3],[NaN,NaN,2],[NaN,NaN,NaN],[8,8,NaN]]) 　　print (data) 　　#...就去除，'all'表示行或列全都含有NaN才去除　　# thresh: 整数n，表示每行或列中至少有n个元素补位NaN，否则去除　　# subset: ['name', 'gender'] 在子集中去除...NaN值，子集也可以index，但是要配合axis=1 　　# inplace: 如何为True，则执行操作，然后返回None 　　print(data) 　　# data = 　　# 1 2 3

2.4K1 0

用python做科学计算之pandas入门简介

pandas是一个开源的python数据分析和处理包，使用灵活方便，性能高，速度快，简单介绍一下它里面比较常用的功能数据读取它支持多种数据读取的方式这里简单介绍2种通过csv文件读取数据： $...pip instal pandas $ python >>> import pandas as pd >>> data = pd.read_csv('test.csv') 通过mysql读取数据： $...pip install sqlalchemy $ pip install MySQL-python $ python >>> import pandas as pd >>> from sqlalchemy...25 2 0.00 5 0.3 0.3 25 1 0.10 数据清洗对不符合要求的数据进行清除，去掉数据里出现空值（NaN）的行 >>> data.dropna...guangdong': 10, 'zhejiang': 15} #演示数据key:value对 >>> ts = pd.Series(d) #序列化数据

7336 0

一句Python，一句R︱pandas模块——高级版data.frame

样本值的峰度（四阶矩） cumsum 样本值的累计和 cummin , cummax 样本值的累计最大值和累计最小值 cumprod 样本值的累计积 diff 计算一阶差分（对时间序列很有用） pct_change...中字符处理 pandas提供许多向量化的字符操作，你可以在str属性中找到它们 s.str.lower() s.str.len() s.str.contains(pattern) 6、时间序列时间序列也是...时间序列在Pandas中就是以Timestamp为索引的Series。...cut使用方式有以下几种（来源：pandas 数据规整）: （1）按序列划分，序列：按序列的元素间隔划分 x，返回 x 各个元素的分组情况 >>> bins = [0,3,6,9] >>> ser...———————————————————————————————————————————————————— 延伸六：空缺值NaN如何填补前面提到的dataframe中填补缺失值可以使用.fillna，除了缺失值其实还有

4.7K4 0

数据清洗与准备（1）

在进行数据分析和建模过程中，大量时间花费在数据准备上：加载、清洗、转换和重新排列，这样的工作占用了分析师80%以上的时间。本章将讨论用于缺失值、重复值、字符串操作和其他数据转换的工具。...1、处理缺失值缺失数据在数据分析中很容易出现，在pandas中使用NaN表示缺失值，称NaN为容易检测到的缺失值；同时python内建的None值在对象数组中也会被当做NA处理： import numpy...dropna 根据每个标签的值是否为缺失数据来筛选轴标签，并允许根据丢失的数据量确定阈值 fillna 用某些值填充缺失的数据值或使用插值方法，如ffill或bfill isnull 返回表明哪些值是缺失值...dropna，它会返回series中的所有非空数据及其索引值。...3.0 1 1.0 NaN NaN 2 NaN NaN NaN 3 NaN 5.2 6.0 过滤DataFrame的行的相关方法往往涉及时间序列数据，我们也可以传入thresh参数保留一定数量的行

8601 0

数据科学篇| Pandas库的使用（二）

4.4K3 0

Pandas数据分析包

Pandas是面板数据（Panel Data）的简写。它是Python最强大的数据分析和探索工具，因金融数据分析工具而开发，支持类似SQL的数据增删改查，支持时间序列分析，灵活处理缺失数据。...Series、Numpy中的一维Array、Python基本数据结构List区别：List中的元素可以是不同的数据类型，而Array和Series中则只允许存储相同的数据类型，这样可以更有效的使用内存，...如果某个索引值当前不存在，就引入缺失值 • 对于时间序列这样的有序数据，重新索引时可能需要做一些插值处理。method选项即可达到此目的。 ?...，它在修正数据，用一个DataFrame来填补前面的DataFrame中NAN的数据 Merge, join, and concatenate官方文档说明：http://pandas.pydata.org...中的resample，重新采样，是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。

3.1K7 1

数据科学 IPython 笔记本 7.1 Pandas

Data Analysis）序列（Series）数据帧（DataFrame）重索引删除条目索引，选择和过滤算术和数据对齐函数应用和映射排序和排名带有重复值的轴索引汇总和计算描述性统计量...清洗数据（构建中）输入和输出（构建中） from pandas import Series, DataFrame import pandas as pd import numpy as np 序列（...数据可以是任何 NumPy 数据类型，标签是序列的索引。...的索引值。...标签在 Pandas 中不一定是唯一的： ser_12 = Series(range(5), index=['foo', 'foo', 'bar', 'bar', 'baz']) ser_12 ''

5.1K2 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

去掉pandas中的NaN值并重新排序列

相关·内容

总结100个Pandas中序列的实用函数

总结100个Pandas中序列的实用函数

总结100个Pandas中序列的实用函数

上手Pandas，带你玩转数据（1）-- 实例详解pandas数据结构

总结100个Pandas中序列的实用函数

盘点Pandas 的100 个常用函数

总结100个Pandas中序列的实用函数

科学计算库-Pandas随笔【附网络隐私闲谈】

7步搞定数据清洗－Python数据清洗指南

一篇文章就可以跟你聊完Pandas模块的那些常用功能

Python时间序列分析简介（2）

数据科学篇| Pandas库的使用（二）

数据科学篇| Pandas库的使用

Python中的DataFrame模块学

用python做科学计算之pandas入门简介

一句Python，一句R︱pandas模块——高级版data.frame

数据清洗与准备（1）

数据科学篇| Pandas库的使用（二）

Pandas数据分析包

数据科学 IPython 笔记本 7.1 Pandas

扫码

相关资讯

热门标签

活动推荐

运营活动

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐