前言：
python的pandas库中有⼀个⼗分便利的isnull()函数，它可以⽤来判断缺失值，我们通过⼏个例⼦学习它的使⽤⽅法。
⾸先我们创建⼀个dataframe,其中有⼀些数据为缺失值。
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(10,99,size=(10,5)))
df.iloc[4:6,0] = np.nan
df.iloc[5:7,2] = np.nan
df.iloc[7,3] = np.nan
df.iloc[2:3,4] = np.nan得到的结果如下所⽰：
也可以通过pycharm的ScivView查看：
我们先来运⾏一下isnull()看会出现什么结果：
print(df.isnull())运行结果如下所示：
总结：isnull()返回了布尔值，若该处为缺失值，返回True，若该处不为缺失值，则返回False
直接使⽤isnull()并不能很直观的反应缺失值的信息。 我们再调⽤其他命令进⾏尝试。
df.isnull().any()
# 会判断哪些列包含缺失值，该列存在缺失值则返回True，反之False。
print(df.isnull().any())运行结果如下所示：
总结：isnull().any()会判断哪些列包含缺失值，该列存在缺失值则返回True，反之False。
再来看一个例子：
使用isnull().sum()它直接告诉我们每列缺失值的个数。
# isnull().sum()就更加直观了，它直接告诉了我们每列缺失值的个数。
print(df.isnull().sum())运行结果如下所示：
我来解释一下上面图片：
- 第0列有2个值为NAN（Not A Number）
- 第1列有1个值为NAN
- 第2列有2个值为NAN
- 第3列有1个值为NAN
- 第4列有1个值为NAN
我们再细心看看这个图。是不是和我们isnull().sum()的结果一模一样？
到此这篇关于Python pandas库中isnull函数使用方法的文章就介绍到这了,更多相关Python isnull内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
