Tôi đã tìm thấy giải pháp bằng cách sử dụng thay thế bằng một giải pháp đơn giản và thanh lịch nhất. df. thay thế[{'-'. Không có}] Bạn cũng có thể có nhiều thay thế hơn. df. thay thế[{'-'. Không, 'Không'. Không}] Và ngay cả đối với các thay thế lớn hơn, luôn rõ ràng và rõ ràng cái gì được thay thế bằng cái gì - theo ý kiến của tôi, điều này khó hơn nhiều đối với các danh sách dài
Kite là một công cụ tự động hoàn thành miễn phí dành cho các nhà phát triển Python. Viết mã nhanh hơn với plugin Kite dành cho trình chỉnh sửa mã của bạn, bao gồm tính năng Hoàn thành dòng mã và xử lý không có đám mây
ghi chú. Thay thế Regex được thực hiện dưới mui xe với re. phụ. Các quy tắc thay thế cho re. phụ giống nhau. Các biểu thức chính quy sẽ chỉ thay thế trên các chuỗi, nghĩa là bạn không thể cung cấp, ví dụ: một biểu thức chính quy khớp với các số dấu phẩy động và mong đợi các cột trong khung của bạn có một kiểu số được khớp
Điền các giá trị NA/NaN bằng phương pháp đã chỉ định. Giá trị tham số vô hướng, dict, Sê-ri hoặc DataFrame. Giá trị sử dụng để lấp lỗ [e. g. 0], luân phiên một dict/Series/DataFrame của các giá trị chỉ định giá trị nào sẽ sử dụng cho từng chỉ mục [đối với Sê-ri] hoặc cột [đối với DataFrame]. Các giá trị không có trong dict/Series/DataFrame sẽ không được điền
Các giá trị được coi là “thiếu”¶ Do dữ liệu có nhiều dạng và hình thức nên pandas hướng đến mục tiêu trở nên linh hoạt trong việc xử lý dữ liệu bị thiếu. Mặc dù NaN là điểm đánh dấu giá trị bị thiếu mặc định vì lý do tốc độ tính toán và sự thuận tiện, nhưng chúng ta cần có khả năng dễ dàng phát hiện giá trị này với dữ liệu thuộc các loại khác nhau. dấu phẩy động, số nguyên, boolean và đối tượng chung
trên str, tùy chọn. Đối với DataFrame, cột sẽ sử dụng thay vì chỉ mục để lấy mẫu lại. Cột phải giống như ngày giờ. cấp str hoặc int, tùy chọn. Đối với MultiIndex, mức [tên hoặc số] sẽ được sử dụng để lấy mẫu lại
[Các] cột để sử dụng làm nhãn hàng của DataFrame, được đặt dưới dạng tên chuỗi hoặc chỉ mục cột. Nếu một chuỗi int / str được đưa ra, Multi Index được sử dụng. Ghi chú. index_col=False có thể được sử dụng để buộc gấu trúc không sử dụng cột đầu tiên làm chỉ mục, e. g. khi bạn có tệp không đúng định dạng với dấu phân cách ở cuối mỗi dòng
giá trị. Tĩnh, từ điển, mảng, chuỗi hoặc khung dữ liệu để điền thay vì NaN. phương pháp. Phương thức được sử dụng nếu người dùng không chuyển bất kỳ giá trị nào. Pandas có các phương thức khác nhau như bfill, backfill hoặc ffill sẽ lấp đầy vị trí có giá trị trong Forward index hoặc Previous/Back tương ứng
Khung dữ liệu được cập nhật. S1 S2 S3 S4 Chuyên đề Toán 10. 0 5. 0 15. 0 21 Tài chính 20. 0 17. 0 NaN 22 Lịch sử NaN 17. 0 NaN 23 Địa lý NaN 29. 0 11. 0 25 Vì phương thức mean[] được gọi bởi cột 'S2', do đó đối số giá trị có giá trị trung bình của các giá trị cột 'S2'
Để thay thế tất cả các giá trị NaN bằng số 0 trong một cột của Khung dữ liệu Pandas, bạn có thể sử dụng phương thức fillna[] của DataFrame. Sử dụng phương thức fillna[] của DataFrame, chúng tôi có thể xóa các giá trị NA/NaN bằng cách yêu cầu người dùng đặt một số giá trị của riêng họ mà họ muốn thay thế các giá trị NA/NaN của DataFrame
df1 = df. astype[đối tượng]. thay thế [np. nan, 'Không'] Thật không may, điều này cũng như việc sử dụng thay thế đều không hoạt động với Không thấy sự cố [đã đóng] này. Bên cạnh đó, điều đáng chú ý là đối với hầu hết các trường hợp sử dụng, bạn không cần thay thế NaN bằng Không, hãy xem câu hỏi này về sự khác biệt giữa NaN và Không có trong gấu trúc
câu hỏi. Có phương pháp nào để thay thế các giá trị bằng Không có trong Pandas trong Python không? . replace['pre', 'post'] và có thể thay thế một giá trị bằng một giá trị khác, nhưng điều này không thể thực hiện được nếu bạn muốn thay thế bằng giá trị Không, nếu bạn thử, bạn sẽ nhận được một kết quả lạ
Trước hết, hãy xem kiểu dữ liệu của Python NaN và Không. cục mịch. nan là biểu diễn dấu phẩy động IEEE 754 của Not a Number [NaN], thuộc loại float kiểu số tích hợp Python
Danh sách ban đầu là. [1, Không có, 4, Không có, Không có, 5, 8, Không có] Danh sách sau khi loại bỏ các giá trị Không có. [1, 4, 5, 8] Phương pháp #2. Sử dụng hiểu danh sách Nhiệm vụ dài hơn của việc sử dụng phương pháp ngây thơ và tăng dòng mã có thể được thực hiện một cách nhỏ gọn bằng phương pháp này
giá trị - python thay thế chuỗi rỗng bằng không. Thay thế các giá trị trống [khoảng trắng] bằng NaN trong df. thay thế [r'', np. NaN] Cũng không hoạt động - hãy dùng thử
Phải lớn hơn 0 nếu không có. downcast dict, mặc định là Không có. Một lệnh của item->dtype của những gì cần hạ cấp nếu có thể hoặc chuỗi 'infer' sẽ cố gắng hạ cấp thành một loại bằng nhau thích hợp [e. g. float64 thành int64 nếu có thể]. Trả về DataFrame hoặc Không. Đối tượng có các giá trị bị thiếu được điền hoặc Không có nếu inplace=True
NaN có thể được sử dụng như một giá trị số trong các phép toán, trong khi Không ai có thể [hoặc ít nhất là không nên]. NaN là một giá trị số, như được định nghĩa trong tiêu chuẩn dấu phẩy động IEEE 754. Không có gì là loại Python bên trong [NoneType] và sẽ giống như "không tồn tại" hoặc "trống" hơn là "không hợp lệ về mặt số" trong ngữ cảnh này
NaN. NaN [từ viết tắt của Not a Number], là một giá trị dấu phẩy động đặc biệt được nhận dạng bởi tất cả các hệ thống sử dụng biểu diễn dấu phẩy động tiêu chuẩn của IEEE Pandas coi Không và NaN về cơ bản có thể hoán đổi cho nhau để chỉ ra các giá trị bị thiếu hoặc null
Bất chấp sự khác biệt về kiểu dữ liệu của NaN và Không, Pandas xử lý gọn gàng. nan và Không có tương tự. Ví dụ, chúng tôi tạo một pandas. DataFrame bằng cách đọc trong tệp csv
Tài liệu chính thức về gấu trúc xác định những gì mà hầu hết các nhà phát triển sẽ biết là giá trị null là dữ liệu bị thiếu hoặc thiếu trong gấu trúc. Trong gấu trúc, một giá trị bị thiếu được ký hiệu là NaN. Trong hầu hết các trường hợp, các thuật ngữ thiếu và không có thể hoán đổi cho nhau, nhưng để tuân thủ các tiêu chuẩn của gấu trúc, chúng ta sẽ tiếp tục sử dụng từ thiếu trong suốt hướng dẫn này
gấu trúc. isnull¶ gấu trúc. isnull [obj] [source] ¶ Phát hiện các giá trị còn thiếu cho một đối tượng dạng mảng. Hàm này lấy một đối tượng vô hướng hoặc dạng mảng và cho biết liệu các giá trị có bị thiếu hay không [NaN trong mảng số, Không có hoặc NaN trong mảng đối tượng, NaT trong dạng dữ liệu thời gian]
Nếu bạn sử dụng df. thay thế [[Không], np. nan, inplace=True], điều này đã thay đổi tất cả các đối tượng ngày giờ có dữ liệu bị thiếu thành đối tượng dtypes. Vì vậy, bây giờ bạn có thể có các truy vấn bị hỏng trừ khi bạn thay đổi chúng trở lại ngày giờ, điều này có thể bị đánh thuế tùy thuộc vào kích thước dữ liệu của bạn
gấu trúc. Khung dữ liệu. thay thế¶ DataFrame. thay thế [to_replace = Không, giá trị = Không, tại chỗ = Sai, giới hạn = Không, regex = Sai, phương pháp = 'pad'] [nguồn] ¶ Thay thế các giá trị được cung cấp trong to_replace bằng giá trị. Các giá trị của DataFrame được thay thế linh hoạt bằng các giá trị khác
Khung dữ liệu gấu trúc. hàm replace[] Nếu to_replace là Không và regex không thể biên dịch thành biểu thức chính quy hoặc là danh sách, dict, ndarray hoặc Sê-ri
Pandas là một trong những gói đó và giúp việc nhập và phân tích dữ liệu dễ dàng hơn nhiều. khung dữ liệu gấu trúc. hàm replace[] được sử dụng để thay thế một chuỗi, biểu thức chính quy, danh sách, từ điển, chuỗi, số, v.v. từ một khung dữ liệu. Đây là một chức năng rất phong phú vì nó có nhiều biến thể