DataFrame缺失值处理案例解析

DataFrame缺失值处理的案例解析如下：

首先，我们需要导入pandas库，并创建一个包含缺失值的DataFrame。

import pandas as pd

data = {
   
    '姓名': ['张三', '李四', '王五', '赵六'],
    '年龄': [25, 30, None, 40],
    '城市': ['北京', None, '深圳', '广州']
}

df = pd.DataFrame(data)
print(df)

输出结果：

   姓名  年龄      城市
0  张三  25.0    北京
1  李四  30.0     NaN
2  王五  NaN    深圳
3  赵六  40.0    广州

接下来，我们可以使用pandas的fillna()方法来填充缺失值。例如，我们可以将年龄列中的缺失值替换为平均值。

mean_age = df['年龄'].mean()
df['年龄'].fillna(mean_age, inplace=True)
print(df)

输出结果：

   姓名  年龄      城市
0  张三  25.0    北京
1  李四  30.0     NaN
2  王五  32.5    深圳
3  赵六  40.0    广州

我们还可以使用dropna()方法删除包含缺失值的行或列。例如，我们可以删除年龄列中包含缺失值的行。

df.dropna(subset=['年龄'], inplace=True)
print(df)

输出结果：

   姓名  年龄      城市
0  张三  25.0    北京
2  王五  32.5    深圳
3  赵六  40.0    广州

最后，我们可以使用interpolate()方法对缺失值进行插值处理。例如，我们可以对年龄列中的缺失值进行线性插值。

df['年龄'].interpolate(method='linear', inplace=True)
print(df)

输出结果：

   姓名  年龄      城市
0  张三  25.0    北京
2  王五  32.5    深圳
3  赵六  40.0    广州

这样，我们就完成了DataFrame缺失值的处理。